Mikael Møller Høgsgaard
PulseAugur coverage of Mikael Møller Høgsgaard — every cluster mentioning Mikael Møller Høgsgaard across labs, papers, and developer communities, ranked by signal.
-
新研究精确表征 AdaBoost 泛化误差界限
研究人员为 AdaBoost 算法建立了一个紧致的泛化界限，详细说明了其误差率与弱学习器优势、VC 维度、样本量和置信度参数等因素的关系。该论文提出了一个新的上界，结合现有的下界，可以精确表征 AdaBoost 的泛化误差。这项工作对于理解该集成学习方法的理论性能极限具有重要意义。
-
指数加权聚合估计器被证明在期望上是最优的
一篇新发表在arXiv上的论文介绍了指数加权聚合（AEW）估计器，解决了关于其在期望上对于具有平方损失的模型选择聚合是最优的一个长期悬而未决的问题。该研究表明，AEW在与温度、字典元素数量和样本量相关的特定条件下，无需Bernstein型假设即可实现最优的超额风险。这一发现揭示了AEW性能基于温度的急剧相变，正如之前推测的那样。
-
新研究探讨回归中的插值与聚合
这篇研究论文深入探讨了回归模型中插值和聚合的理论方面。作者引入了 $\gamma$-图维度作为理解各种聚合技术可学性的关键因素。他们证明，三个插值假设的简单基于中位数的聚合可以达到最优性能，超越了传统的适当学习方法。该论文还指出，某些假设类别只能通过无限聚合或非插值规则来学习，这表明了有限插值聚合的局限性。
-
新算法实现了线性合约的最优样本复杂度
一篇新发表在arXiv上的论文详细介绍了一种从数据中学习最优线性合约的算法。经验效用最大化（EUM）算法能够以高概率实现最佳线性合约的\(\\varepsilon\)-近似，其样本复杂度为\(O(\ln(1/\delta) / \varepsilon^2)\)。该样本复杂度已被证明是最优的，匹配了现有的下界，并建立了统一收敛保证。