Improved generalization bounds for binary linear classification via isoperimetry
通过等周方法改进二元线性分类的泛化界AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般分类学习的泛化理论，二元标签与逻辑回归本身不足以证明其属于经济学离散选择等所列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过等周方法改进二元线性分类的泛化界
- 研究问题
- 二元线性分类中，一致泛化误差如何集中于其期望附近，能否在比例高维等环境下建立更强的集中界与一致大数定律？
- 方法与思路
- 作者通过等周论证，为输出标签与标签加权输入的联合分布建立 Poincaré 和对数 Sobolev 不等式，再推导集中与渐近结果。
- 材料陈述的贡献
- 摘要称所得界改进了已有一般经验过程界和逻辑回归专用界，并在广泛高维环境下获得几乎处处收敛及不依赖维度的条件。
- 阅读关注点
- 应核对联合分布条件、误差类的定义、改进界与旧界的可比范围，以及比例高维下收敛和一致大数定律的具体假设。
- 阅读边界
- 仅据 arXiv v4 预印本摘要，不能据此声称已同行评审或期刊接收；不等式条件、改进幅度与适用范围未说明。
原文摘要
We examine the concentration of uniform generalization errors around their expectation in binary linear classification problems via an isoperimetric argument. In particular, we establish Poincaré and log-Sobolev inequalities for the joint distribution of the output labels and the label-weighted input vectors, which we apply to derive concentration bounds. The derived results improve upon existing bounds obtained from general unbounded empirical processes, as well as that tailored specifically to logistic regression. In asymptotic analysis, we also show that almost sure convergence of uniform generalization errors to their expectation occurs in very broad settings, such as proportionally high-dimensional regimes. Using this convergence, we establish uniform laws of large numbers under dimension-free conditions.