Компьютерные науки > Машинное обучение [представлено 6 апреля 2023 (v1), последний пересмотренный вариант 16 сентября 2026 года (эта версия v3)] Название: Поддающееся оценке обучение в сложных условиях View PDF HTML (экспериментальное) резюме: Проблема разработки учащихся, которые обеспечивают гарантии того, что их прогнозы являются достоверными, приобретает все большее значение для машинного обучения. Однако изучение теоретических гарантий рассматривалось только в очень специфических условиях. В этой работе мы рассматриваем вопрос о структуре и анализе надежных учащихся в сложных условиях испытательного времени, которые возникают при решении современных проблем машинного обучения: а именно "неоднократные" нападения на испытательный период (в нескольких вариантах) и "естественные" изменения распределения. В этой работе мы обеспечиваем надежного ученика с достоверно оптимальными гарантиями в таких условиях. Мы обсуждаем практическую реализацию учащегося и далее показываем, что наш алгоритм обеспечивает надежные позитивные гарантии эффективности на нескольких естественных примерах: например, линейные сепараторы в рамках распределения логарифма или гладкие пограничные классификации при бесперебойном распределении вероятности. История представления: Rattana Pukdee [видение электронной почты] [v1] Thu, 6 апреля 2023 20:54:03 UTC (8 398 KB) [ v2] Sun, 29 октября 2023 07:17:33 UTS (2 771 KB)] [v3] Wed, 16 сентября 2026 06:41:23 UTK (128 KB). Библиографические и…
Надежное обучение в сложных условиях
arXiv:2304.033770v3 Тип уведомления: заменить резюме: проблема проектирования учащихся, которые обеспечивают гарантии того, что их прогнозы являются достоверными, приобретает все большее значение в машинном обучении. Однако изучение теоретических гарантий рассматривалось только в очень специфических условиях. В этой работе мы рассматриваем вопрос о структуре и анализе надежных учащихся в сложных условиях испытательного времени, которые возникают при решении современных проблем машинного обучения: а именно "неоднократные" нападения на испытательный период (в нескольких вариантах) и "естественные" изменения распределения. В этой работе мы обеспечиваем надежного ученика с достоверно оптимальными гарантиями в таких условиях. Мы обсуждаем практическую реализацию учащегося и далее показываем, что наш алгоритм обеспечивает надежные позитивные гарантии эффективности на нескольких естественных примерах: например, линейные сепараторы в рамках распределения логарифма или гладкие пограничные классификации при бесперебойном распределении вероятности.