Fugu-MT 論文翻訳(概要): Regularized Learning in Banach Spaces

論文の概要: Regularized Learning in Banach Spaces

arxiv url: http://arxiv.org/abs/2109.03159v1
Date: Tue, 7 Sep 2021 15:51:12 GMT
ステータス: 処理完了
システム内更新日: 2021-09-08 17:30:44.935958
Title: Regularized Learning in Banach Spaces
Title（参考訳）: バナッハ空間における正規化学習
Authors: Liren Huang and Qi Ye
Abstract要約: 本稿では、一般化データに対する正規化学習の理論を研究するための別の方法を示す。経験的リスクは、一般化されたデータと損失関数によって計算される。正規化の技法によれば、大域的解はバナッハ空間上の正規化経験的リスクを最小化することによって近似される。
参考スコア（独自算出の注目度）: 5.769350266347073
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: This article presents a different way to study the theory of regularized learning for generalized data including representer theorems and convergence theorems. The generalized data are composed of linear functionals and real scalars to represent the discrete information of the local models. By the extension of the classical machine learning, the empirical risks are computed by the generalized data and the loss functions. According to the techniques of regularization, the global solutions are approximated by minimizing the regularized empirical risks over the Banach spaces. The Banach spaces are adaptively chosen to endow the generalized input data with compactness such that the existence and convergence of the approximate solutions are guaranteed by the weak* topology.
Abstract（参考訳）: 本稿では、表現定理や収束定理を含む一般化されたデータに対する正規化学習の理論を研究する別の方法を示す。一般化されたデータは、局所モデルの離散情報を表す線形汎関数と実スカラーからなる。古典的機械学習の拡張により、経験的リスクは一般化されたデータと損失関数によって計算される。正則化の手法によれば、大域解はバナッハ空間上の正則化経験的リスクを最小化することによって近似される。バナッハ空間は、弱*位相によって近似解の存在と収束が保証されるようなコンパクト性を持つ一般化された入力データを与えるために適応的に選択される。

関連論文リスト

Hypothesis Spaces for Deep Learning [7.695772976072261]
本稿では,ディープニューラルネットワーク(DNN)を用いた深層学習のための仮説空間を提案する。 DNNを2つの変数の関数として扱うことにより、DNNの所定の深さと幅によって決定される重み行列とバイアスのセットに位置するパラメータ変数に対するDNNの原始集合を考える。このように構成されたバナッハ空間は、バナッハ空間(RKBS)を再現したカーネルであり、その再現されたカーネルを構築することを証明する。
論文参考訳（メタデータ） (2024-03-05T22:42:29Z)
Modify Training Directions in Function Space to Reduce Generalization Error [9.821059922409091]
本稿では,ニューラルネットワーク関数空間におけるニューラルタンジェントカーネルとフィッシャー情報行列の固有分解に基づく自然勾配降下法を提案する。固有分解と統計理論から理論的手法を用いて学習したニューラルネットワーク関数の一般化誤差を明示的に導出する。
論文参考訳（メタデータ） (2023-07-25T07:11:30Z)
Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文参考訳（メタデータ） (2023-06-04T02:32:12Z)
Sparse Representer Theorems for Learning in Reproducing Kernel Banach Spaces [7.695772976072261]
学習ソリューションのスパシティは、機械学習において望ましい機能である。ある再生カーネルバナッハ空間(RKBS)はスパース学習法に適した仮説空間である。
論文参考訳（メタデータ） (2023-05-21T22:36:32Z)
The No Free Lunch Theorem, Kolmogorov Complexity, and the Role of Inductive Biases in Machine Learning [80.1018596899899]
ニューラルネットワークモデルは、Kolmogorov複雑性を使って形式化された、同じ好みを共有している、と我々は主張する。実験の結果、事前訓練された言語モデルでも、低複雑さのシーケンスを生成するのが好まれることがわかった。これらの観察は、ますます小さな機械学習モデルで異なるように見える問題を統一する深層学習の傾向を正当化する。
論文参考訳（メタデータ） (2023-04-11T17:22:22Z)
On the existence of global minima and convergence analyses for gradient descent methods in the training of deep neural networks [3.198144010381572]
フィードフォワード深層ReLU ANNを任意に多数の隠蔽層で研究する。我々は,そのようなANNの訓練において,ランダムなGD最適化手法のリスクを収束させることを証明した。また、勾配流微分方程式の解も研究する。
論文参考訳（メタデータ） (2021-12-17T18:55:40Z)
Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文参考訳（メタデータ） (2021-10-12T02:21:30Z)
Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文参考訳（メタデータ） (2020-12-09T20:19:32Z)
General stochastic separation theorems with optimal bounds [68.8204255655161]
分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
論文参考訳（メタデータ） (2020-10-11T13:12:41Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Generalisation error in learning with random features and the hidden manifold model [23.71637173968353]
合成データセットの一般線形回帰と分類について検討した。我々は,高次元構造を考察し,統計物理学からのレプリカ法を用いる。閾値をピークとしたロジスティック回帰のためのいわゆる二重降下挙動を得る方法を示す。隠れ多様体モデルにより生成されたデータにおいて相関関係が果たす役割について論じる。
論文参考訳（メタデータ） (2020-02-21T14:49:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。