The study of loss function distributions is critical to characterize a
model's behaviour on a given machine learning problem. For example, while the
quality of a model is commonly determined by the average loss assessed on a
testing set, this quantity does not reflect the existence of
我们使用 Talagrand 通用串联方法修改，为随机过程的所有 p 阶矩获得上界。我们将此过程应用于改进和扩展一些已知的偏差不等式，以便获得至上极限的上尾估计，同时具有最佳的偏差参数，其中包括未限制的经验过程和混沌过程的极限值。作为实践，我们提供了约束等距性质的明显简化证明，该质将离散傅立叶变换的子采样用于稀疏信号恢复。