站内快照 · 国内可打开。外网原文可能无法访问。
- 论文公开站arXiv
转导学习的更锐界及其应用
Even Sharper Bounds for Transductive Learning and Its Applications
摘要显示，该论文提出 Sharper Transductive Local Complexity（STLC）方法，用于无放回均匀采样下的转导学习。其构造基于测试-训练经验过程上确界的 Bernstein 型集中不等式，证明使用 swap walk 的修正 log-Sobolev 不等式与双参数熵闭合。通过剥离论证与替代定位泛函，得到与经典归纳局部 Rademacher 复杂度界具有相同不动点与置信项的过量风险界，且去掉了早期转导结果中额外的对数置信因子。
意义：为转导学习提供更紧的泛化界，去掉对数置信因子，对少样本与核方法场景的理论分析与算法设计有参考价值。