研究人员为机器学习算法中的均匀稳定性开发了一个新的无对数上限。该界限表明，一个具有 $[0,L]$ 损失的 $\gamma$-均匀稳定算法，以 $1-\delta$ 的概率具有不超过 $O(\gamma\log(1/\delta) + L\sqrt{\frac{\log(1/\delta)}{n}})$ 的泛化差距。该研究还提出了一种实现对均匀稳定性最优依赖性的构造，弥合了先前关于有界损失学习算法的研究空白。 AI
影响 这项研究完善了对泛化界限的理论理解，可能影响未来的算法设计。
排序理由 该集群包含一篇发表在 arXiv 上的关于机器学习理论方面的研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.24098v1 Announce Type: new Abstract: Uniform stability controls how much one training example can change the loss at any test point. A new logarithmic-free upper bound shows that a $\gamma$-uniformly stable algorithm with loss in $[0,L]$ has generalization gap at most …
Uniform stability controls how much one training example can change the loss at any test point. A new logarithmic-free upper bound shows that a $γ$-uniformly stable algorithm with loss in $[0,L]$ has generalization gap at most $O \left(γ\log(1/δ) +L\sqrt{\frac{\log(1/δ)}{n}}\righ…