部分神经信息处理系统的进展33(NeurIPS 2020)
Omar Rivasplata、Ilja Kuzborskij、Csaba Szepesvari、John Shawe-Tylor
我们关注一个随机学习模型,在该模型中,学习者观察到一组有限的训练示例,并且学习过程的输出是假设空间中的数据相关分布。然后,将学习到的数据依赖性分布用于进行随机预测,这里讨论的高级主题是确保对训练期间未看到的示例的预测质量,即泛化。在这种情况下,未知的感兴趣量是数据相关随机预测器的预期风险,其上限可以通过PAC-Bayes分析得出,从而得出PAC-Bayers界。
具体来说,我们给出了随机核的一个基本PAC-Bayes不等式,从中可以导出各种已知PAC-Bays界的扩展以及新的界。我们澄清了固定“无数据”先验、有限损失和身份证数据要求的作用。我们强调指出,这些要求用于上界指数矩项,而基本PAC-Bayes定理在没有这些限制的情况下仍然有效。我们给出了三个边界来说明数据相关先验函数的使用,包括一个用于无界平方损失的边界。
在电子程序中更改姓名的请求将被接受,不会提出任何问题。然而,名称更改可能会导致书目跟踪问题。作者被要求仔细考虑这一点,并在要求在电子诉讼中更改姓名之前与合著者进行讨论。
使用“报告问题”链接请求更改名称。