关键词structural risk minimization
搜索结果 - 6
- 基于结构风险最小化的未知奖励模型的逆强化学习
通过引入结构风险最小化方法，本文解决了逆强化学习模型选择中的权衡问题，以估计误差和模型复杂度为目标，选择最佳的奖励函数类别。具体实施的结构风险最小化包括估计策略梯度和建立模型惩罚的 Rademacher 复杂度的上界。通过模拟实验验证了该方 - 运用物理先验信息的深度学习作为广义正则化器
将近似模型作为物理先验加入模型以防止过拟合和增强训练模型的泛化能力。
- 正规化与最优多类学习
这项研究的目的是在多类学习中表征正则化的作用，并使用一种最优学习算法来控制模型容量，该算法与结构风险最小化、最大熵原理和贝叶斯推理相结合。同时引入一种新的学习者，通过在无监督学习阶段学习正则化器，实现结构风险最小化的放松，以及推导学习问题的 - 多重好处：在线监督学习中的稳健模型选择
本文提出一种能够在线预测的算法，能够在概率和对抗性设置下与未知复杂度的情境树专家相竞争。通过将结构风险最小化的概率框架纳入现有的自适应算法中，我们不仅可以稳健地学习存在随机结构的同时获得正确的模型阶数，并取得了能够与拥有强侧面信息的最优算法 - 人物再识别的部分损失深度表示学习
本研究提出一种基于结构风险最小化的深度表示学习方法，同时考虑了经验分类风险和表示学习风险，使用自动生成的图像部分计算人的分类损失，可以更好地聚焦于整个人体，学习出不同部分的区别性表示。三个数据集上的实验证明了该方法的有效性。
- 单调校准插值查找表
通过学习灵活的、单调的函数以及解决凸问题的方法进行单调查找表的训练，同时积极处理连续性特征，处理分类或缺失数据，并通过并行化和小批量处理等方法实现大规模的学习，使得在实际问题上提供更高的准确性与用户可解释性。