Учеба с помощью подавления: оценки риска позволяют обеспечить соблюдение закона о больших количествах

arXiv: 2610.13442v1 Annuales Type: New Humber: Corption Scharts обеспечивает общую основу для определения параметров риска, зависящих от данных, для алгоритмов обучения. Для правил обучения, основанных на предпочтительном сжатии, существующие результаты имеют верхний предел риска с точки зрения зависящей от выборки сложности $\boldsymbol {k} долл., определяемой как кардинальная сила сжатия, подкрепленная учебными примерами, по которым реконструированная гипотеза неуместна. Однако эти результаты дают заказную норму в размере $O(sqrt {\n N/N}), превышающую $#boldsymbol {k}/N долл. США. В этом документе мы видим, что логарифмический фактор не является неотъемлемым. Мы доказываем, что на каждый фиксированный уровень доверия 1-дельта долларов риск ограничивается вероятностью по меньшей мере в размере 1 $- delta долл. Таким образом, оценки риска для алгоритмов обучения на основе предпочтительной сжатия достигают той же нормы права больших чисел, что и эмпирическая оценка