Статистические данные >Машинное обучение [представлено 31 июля 2026 (v1), последнее пересмотренное 16 сентября 2026 года (эта версия, v2)) Функциональные значения точно соблюдаются, и EI рассчитывается на основе фиксированной модели нулевого гауссианского процесса с ковариантом в размере $sigma2k долл., $ sigma>0 долларов. Слабая политика в области ИИ ставит вопрос о том, кто из них является по крайней мере фиксированной позитивной долей своего максимального значения. Мы введем понятие последовательного радиуса разделения, связывающего выбранные нормы новаторства с ширины Колмогорова, используя жадное приближение. Стандартные оценки функций мощности на основе аппроксимации разрозненных данных и довод о том, что в конечном счете они вызывают сожаление, дают такие показатели. После первоначальных запросов в размере $N долл. каждая политика слабого ИИ имеет простое сожаление по $O( N) {-nu/d} для изотропных ядер Матера с плавностью $\ну>0 долл. и $ O (#exp[c_1\min\ {N,N {1/d}log(eN)\}] долларов за изотропическое квадратно-экспонентное ядро с $c _ 1> 0 долларов. За $d=1 долл., более резкий связной доллар (\exp[-c_2N\log(eN)]) долларовый доллар за точный EI, с $c_ 2>0 доллара. Эти границы однородны на каждом фиксированном шаре RKHS. Если $mathcal X$ имеет пустой внутренний и B>0 долл. США, то то точная политика в отношении EI является оптимальной по отношению к шару радиуса RKHS в размере B долларов для ядер Матерна, даже среди случайных стратегий, окончательная рекомендация…
Простые ставки возмещения и мини-максимальная оптимальность ожидаемого улучшения в Мэтчернском и квадратном - экстрасенсорных РХС
arXiv: 2607.29245v2 Аннот: заменить резюме: мы изучаем ожидаемое улучшение (EI) для сведения к минимуму детерминистской функции в размере $f в RKHS $\mathcal H_k долл. непрерывное положительное полудефициентное ядро $k долларов на незадействованном компакт-долл. Функциональные значения точно соблюдаются, и EI рассчитывается на основе фиксированной модели нулевого гауссианского процесса с ковариантом в размере $sigma2k долл., $ sigma>0 долларов. Слабая политика в области ИИ ставит вопрос о том, кто из них является по крайней мере фиксированной позитивной долей своего максимального значения. Мы введем понятие последовательного радиуса разделения, связывающего выбранные нормы новаторства с ширины Колмогорова, используя жадное приближение. Стандартные оценки функций мощности на основе аппроксимации разрозненных данных и довод о том, что в конечном счете они вызывают сожаление, дают такие показатели. После первоначальных запросов в размере $N$ каждая политика слабого I имеет простое сожаление по поводу изотропического ядер Матена с гладкостью $\nu>0 долл. и $O (#exp[c_min\ {N, N {1/d}log(eN)\)] долларов за изотропический квадрат-экспериментальный доллар
