41st International Conference on Machine Learning

New sampling bounds achieve optimal error for regularized classification

研究人员为正则化分类开发了新的采样界限，在广泛的 Lipschitz 连续损失函数上实现了最优的 $(1\pm\varepsilon)$-相对误差。该研究提出了改进的采样复杂度界限，具体来说，对于 L2 正则化是 $k^2/\varepsilon^2$，对于 L1 正则化是 $k/\varepsilon^2$。这些发现依赖于简单的均匀或范数采样，并且通过改进的论证来避免重复计数问题，显著优于之前的敏感性采样界限。