基于算法相关Rademacher复杂性的泛化保证
Sarah Sachs、Tim van Erven、Liam Hodgkinson、Rajiv Khanna、Umutöimšekli
第三十六届学习理论会议记录,PMLR 195:4863-48802023年。
摘要
需要算法和数据相关的泛化边界来解释现代机器学习算法的泛化行为。在此背景下,存在涉及(各种形式的)互信息的信息论泛化界,以及基于假设集稳定性的界。我们提出了一种概念上相关但技术上不同的复杂性度量来控制泛化误差,即算法和数据相关假设类的经验Rademacher复杂性。将Rademacher复杂度的标准性质与该类的方便结构相结合,我们能够(i)获得基于有限分维的新边界,该边界(a)将以前的分维类型边界从连续假设类扩展到有限假设类,以及(b)避免之前工作中需要的相互信息术语;(ii)我们大大简化了随机梯度下降的最近维数相关推广界的证明;(iii)我们很容易恢复VC类和压缩方案的结果,类似于基于条件互信息的方法。
引用本文
相关材料