统计汇聚的本地风险界限
本文提出一种新的空间自适应局部 (常数) 似然估计方法,适用于广泛的非参数模型,包括高斯、泊松和二元反应模型,并建议一种新的选取程序参数的方法,同时对其优化性提出一些理论结果,并将此方法应用于分类问题的数值研究中,展示其在模拟和实际问题中的合理表现。
Dec, 2007
本文讨论了在确定性设计模型下,平方损失的聚合问题。我们在误差分布和函数聚合方面获得了尖锐的 PAC-Bayesian 风险界,并将这些结果应用于导出稀疏谱系不等式。
Mar, 2008
采用指数权重的综合方法,在边际假设下,对于铰链风险(hinge risk),获得了凸聚合的最优速率。 此外,在边际假设下,对于超额贝叶斯风险,获得了模型选择聚合的最优速率。
Mar, 2006
研究具有强凸和 Lipschitz 损失的一般监督学习问题,研究模型选择集成问题。证明了 Q-aggregation 过程将产生期望和高概率上都满足最优 Oracle 不等式的估计器。
Jan, 2013
本研究提出一种新的框架,超越了传统统一收敛方法的限制,将排列不变预测器的交叉检验误差转化为高概率风险界,并通过 Haussler, Littlestone, 和 Warmuth 的一种算法在二元分类中实现了最优 PAC 界限。在多类分类、部分假设分类和实现有限的回归等三种不同场合中,我们证明了该框架的优越性能。
Apr, 2023
该研究利用分解的 PAC-Bayes 边界框架得出一个可适配任意复杂度度量的一般泛化边界,其中关键步骤是考虑一系列常用的分布:Gibbs 分布。该边界在概率上同时适用于假设和学习样本,允许复杂度根据泛化差距进行调整,以适应假设类和任务。
Feb, 2024
本文介绍了在确定性设计下,回归设置中的简单聚合问题,并将其从高斯分布扩展到指数族分布。通过约束和 / 或罚分最大化方法解决此问题并导出了能够在期望和高概率情况下保持的谐振不等式。最后,证明了所有边界在最小化意义上都是最优的。
Nov, 2009