扩展小球方法的范围
摘要：小球法被引入为一种在索引类假设条件较弱的情况下获得二次经验过程的高概率等价下界的方法。关键的假设是，类的成员满足均匀小球估计：对于给定的常数$kappa$和$delta$，$Pr(|f| \geq kappa|f|_{L_2}) \geq delta$。在这里，我们扩展了小球法，并获得了一个高概率几乎等同（而不是等价）的二次经验过程下界。这个结果的范围比小球法要宽得多：类的成员不需要满足均匀小球条件，而且受到锦标赛学习过程的启发，该结果在“多数票”的情况下是稳定的。
作者：Shahar Mendelson
论文ID：1709.00843
分类：Machine Learning
分类简称：stat.ML
提交时间：2020-06-16