研究人员开发了一个新的信息论框架,以理解过参数化的机器学习模型如何存储和表达信息,特别是在良性过拟合的背景下,即模型拟合了带噪声的标签但仍能很好地泛化。该框架区分了“存储”(关于训练标签保留的信息)和“表达”(影响新数据预测的信息)。它提出,过剩风险受“表达”信息的约束,而“表达”信息可以作为一种不需要保留标签的模型选择标准。该标准已显示出比留出验证更低的遗憾,并在成本更低的情况下与交叉验证相匹配。 AI
影响 为理解和潜在改进过参数化系统中的模型泛化和选择提供了一个新颖的理论视角。
排序理由 该集群包含一篇详细介绍理解机器学习概念的新理论框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Bayes estimator
- Benign overfitting in linear regression
- double descent
- Hugging Face
- Label-Free Model Selection
- nearest-neighbour rules
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →