分布式广义交叉验证用于分而治之的核岭回归及其渐近最优性
摘要：大规模数据集中数据驱动的调参方法对于分布式核岭回归（d-KRR）的适用性进行了限制。本文通过修改广义交叉验证（GCV）得分，提出了分布式广义交叉验证（dGCV）作为d-KRR中选择调参的数据驱动工具。不仅所提出的dGCV在大规模数据集上具有可扩展性，而且在温和条件下，结论表明在极限情况下，最小化dGCV得分等价于最小化平均函数估计器的真实全局条件经验损失，从而扩展了GCV的现有最优性结果到分布式框架中。
作者：Ganggang Xu, Zuofeng Shang, Guang Cheng
论文ID：1612.05907
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-02-20