Компьютерные науки > Машинное обучение [представлено 21 октября 2026 года] Название: Самонормализованный Бернштейн Неравенство регенеративных процессов и применения к обучению без независимости, вид PDF HTML (экспериментальный) Резюме: Мы доказываем самореализуемое неравенство Бернстайна в отношении ограниченных функций процесса регенерации с независимыми идентичными распределенными циклами ограниченной средней длины. При этом используются наблюдаемые протяженности цикла и сохраняются четкие термины для удлинения и циклов, заканчивающихся после горизонта наблюдения. Выбор параметра настройки из конечной детерминистской коллекции дает версию неравенства Бернштейна, где все термины являются эмпирическими, но один из них связан с хвостами времени регенерации. Затем мы изучаем этот термин во многих режимах: оказывается, что он является вторым по порядку во многих случаях интересов. Это имеет важное значение для применения в машинном обучении: мы доказываем, что границы обобщенных ошибок для классификации с неи.и.д., регенеративными данными. Эти границы могут быть использованы для определения целей обучения: минимизируя термин "первый порядок" только в связи с этим, мы определяем агностических классификаторов, которые по-прежнему удовлетворяют неравенству оракул. Мы также продемонстрировали, что средняя величина отклонения от нормы, обеспечиваемая нашими результатами, является мини-максимальной по размеру пробы и ожидаемому времени регенерации. Наконец, мы сочетаем неравенство…
Самонормализованные Бернштейн неравноправие в отношении процессов регенерации и применения к обучению без независимости
arXiv:2610.301199v1 Annuaire Type: новый резюме: Мы доказываем самонормализованное неравенство Бернштейна в отношении ограниченных функций регенеративного процесса с независимыми, идентичными распределенными циклами средней длины. При этом используются наблюдаемые протяженности цикла и сохраняются четкие термины для удлинения и циклов, заканчивающихся после горизонта наблюдения. Выбор параметра настройки из конечной детерминистской коллекции дает версию неравенства Бернштейна, где все термины являются эмпирическими, но один из них связан с хвостами времени регенерации. Затем мы изучаем этот термин во многих режимах: оказывается, что он является вторым по порядку во многих случаях интересов. Это имеет важное значение для применения в машинном обучении: мы доказываем, что границы обобщенных ошибок для классификации с неи.и.д., регенеративными данными. Эти границы могут быть использованы для определения целей обучения: минимизируя термин "первый порядок" только в связи с этим, мы определяем агностических классификаторов, которые по-прежнему удовлетворяют неравенству оракул. Мы также показываем