证明了 KNN 法在分离式度量空间中,具有强全局一致性和普遍一致性,即使在不满足 Nagata 维度为有限维的度量空间,也能得到强全局一致性。
May, 2023
证明了 $k$ 最近邻学习规则在每个 sigma-finite 维度空间中都是普遍一致的,同时调查了度量的相关几何性质以及 Stone 方法中的限制,通过构建各种例子来推广这一结论。
Feb, 2020
本文研究了一个基于样本压缩界限的多类学习算法的贝叶斯一致性,并证明了在度量空间有限两倍维度的情况下,该算法是强贝叶斯一致的,甚至在某些无限维情况下也是连贯的,这是一项有趣的发现,当前存在几个值得研究的问题。
May, 2017
通过简单修改最近邻分类器,我们展示了一个强 Bayes 一致的学习器,优于 k-NN 分类器,并在限制样本大小和算法时间方面具有较大的优势,获得了令人鼓舞的实验结果。
Jul, 2014
本文提出了一种使用 Euclidean 空间作为基石建造弥合任意 Polish 度量空间之间连续映射的通用逼近方法,其中涉及到了离散概率、H"older-like (map) 以及深度学习 (transformer network) 等关键词。
Apr, 2023
本篇论文讨论了用于进化模型中的标准统计方法在遗传组序列数据中的可靠性,并引入了一些自然度量空间,以判断不同参数化方法之间的适用性和采样数据中的总结树。
Oct, 2014
本文介绍了一种基于稀疏先验的 PAC-Bayesian 限制方法,将 K 最近邻分类器转化为核空间框架以求得其广义误差的界限,并在实验中证明了其高效性。
Sep, 2021
本研究提出了一种普适性的半空间测试学习算法,它可以在所有满足 Poincaré 不等式的分布上获得较小误差,具体实现是使用 sum-of-squares 算法检查分布的超对称性。
本篇论文提出一种新的核函数以及一种新的编辑相似性模型,可以更好地优化距离和相似度函数,提高 k 近邻算法的性能,并在学习相似性时考虑到泛化能力与算法的稳定性, 解决了当前度量学习方法的局限性,为特征向量和结构化对象(如字符串或树)的度量学习提供了新方法。
Jul, 2013
本文提出了一种替代 Kleinberg 公理化系统的算法,可以生成新的带标记的测试数据集,以用于聚类算法测试。
Feb, 2022