实体
Generalization Bounds
Generalization Bounds
PulseAugur coverage of Generalization Bounds — every cluster mentioning Generalization Bounds across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新方法计算马尔可夫算法的泛化界
研究人员开发了一种利用熵流计算来计算马尔可夫算法泛化界的新方法。该技术将先前仅限于特定噪声和算法结构（如 Langevin 动力学）的工作扩展到更广泛的由时间齐次马尔可夫过程控制的迭代动力学。新方法与修正的对数 Sobolev 不等式建立了联系，将泛化误差与马尔可夫过程的遍历性质联系起来，并为各种算法提供了新的界限。
-
新框架量化机器学习模型中分布偏移带来的风险
研究人员开发了一个新框架，用于解决机器学习模型在面临分布偏移时的泛化界限问题。该框架量化了由状态（regime）组成不匹配引入的额外风险，特别是在稳定状态和危机状态之间发生偏移的环境中。所提出的方法将此风险分解为状态不匹配和状态敏感性，将现有界限扩展到 beta-mixing 数据，并在金融指数数据上证明了其有效性。
-
论文通过泛化界批评挑战深度学习理论
讨论了两篇论文，一篇是2016年由Zhang等人发表的，另一篇是2019年由Nagarajan和Kolter发表的，它们对深度学习理论产生了影响。2016年的论文表明，标准神经网络可以轻松记住随机数据，挑战了基于假设类复杂度的现有泛化理论。随后的研究试图开发依赖于数据的界限，但2019年的论文被认为是对此类努力的又一次打击，表明一致收敛可能不足以解释深度学习的成功。