Rademacher
PulseAugur coverage of Rademacher — every cluster mentioning Rademacher across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新算法解决了数学研究中的随机不动点方程
研究人员开发了一种新的算法来求解涉及非扩张映射的随机不动点方程。该算法基于递归锚定技术，在 $\ell_p$-空间（对于 $p \in [2, \infty]$）中实现了特定的Oracle复杂度。该研究还为高维 $\ell_{\infty}$-范数实例建立了近乎匹配的下界，适用于随机算法和稀疏噪声设置。
-
新研究使用 Wasserstein 散度量化生成增强的可靠性
一篇新发表在 arXiv 上的研究探讨了生成数据增强对机器学习下游泛化的理论影响。该研究引入了一个统计框架来分析增强如何影响分类风险，并提出这种风险失真受增强强度以及真实数据分布与生成数据分布之间 Wasserstein 散度的影响。研究结果表明，尽管分布保真度（以 Wasserstein 散度衡量）的提高很重要，但它并不总是能保证卓越的分类性能，传统的过采样方法有时更具竞争力。这项工作将生成增强确立为一个可以量化并得到泛化保证支持的…
-
关于无限记忆在线预测的新理论
本文为具有无限记忆的在线预测场景引入了一个新的理论框架，特别针对由外部来源驱动的二元标记预测。该研究为可求和包络建立了精确的极小极大遗憾界限，为指数和多项式包络提供了精确的尺度。一个关键发现是，仅保留最近的输入可能导致遗憾值在多项式尺度上存在差异，并提出了一种在线牛顿预测器以达到上限。
-
新界限阐明了机器学习中的均匀稳定性 · arXiv cs.LG
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。
-
利用ChatGPT 5.6 SOL探索Rademacher和的几何 · arXiv论文
一篇新发表在arXiv上的研究论文探讨了Rademacher和的几何，重点关注高阶矩如何依赖于四阶质量。该研究建立了高斯稳定性不等式，并确定了p>=5时有限维L_p/L_4 Khintchine常数的精确值。研究结果解决了Jakimiuk和Barański、Murawski、Nayar和Oleszkiewicz的猜想，并证明了Jakimiuk在p=3时猜想的二次稳定性估计。值得注意的是，这些证明是在ChatGPT 5.6 SOL的大力…
-
新界限改进了稳定机器学习算法的泛化误差控制
研究人员为机器学习中的一致稳定算法开发了新的界限，消除了先前限制泛化误差控制的对数因子。Bousquet、Klochkov和Zhivotovskiy建立的新界限为随机变量的弱相互作用函数之和提供了更紧密的不等式。这一理论进展得到了一个证明的支持，该证明首先估计了Rademacher立方体上所需的度量，然后使用双副本随机化论证将其转移到任意乘积分布上。
-
Kernel of Partition Paths 统一了树集成表示
一篇新论文介绍了 Kernel of Partition Paths (KPP)，这是一种用于树集成的新型表示方法，它统一了预测、归因和鲁棒性保证。KPP 通过森林节点索引特征图，使用路径度量将坐标嵌入到平方欧几里得空间中。该框架为回归和分类提供了确定性保证，并有可能作为开放性问题进行快速改进。