Fast rates for support vector machines using Gaussian kernels
使用高斯核的支持向量机快速学习率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。
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：摘要研究通用二元分类的学习理论，没有经济离散选择模型或宏观、金融预测对象的直接证据。
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
使用高斯核的支持向量机快速学习率
- 研究问题
- 采用铰链损失和高斯径向基核的支持向量机，在二元分类中可达到怎样的学习率，估计误差与逼近误差分别需要哪些分布条件？
- 方法与思路
- 作者以 Tsybakov 噪声假设控制估计误差，并提出几何噪声条件控制逼近误差，据此建立高斯核支持向量机的学习率结果。
- 材料陈述的贡献
- 摘要称可建立快速学习率，并强调新的几何噪声条件不使用光滑性假设，为逼近误差控制提供不同于既有概念的路径。
- 阅读关注点
- 应核对两类噪声假设的精确定义、学习率对应的风险指标与参数选择，以及不要求光滑性是否伴随其他几何限制。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；速率写作 n−1，上下标需核对原文，不据此重构公式；具体参数关系与适用条件未提供。
原文摘要
For binary classification we establish learning rates up to the order of n−1 for support vector machines (SVMs) with hinge loss and Gaussian RBF kernels. These rates are in terms of two assumptions on the considered distributions: Tsybakov’s noise assumption to establish a small estimation error, and a new geometric noise condition which is used to bound the approximation error. Unlike previously proposed concepts for bounding the approximation error, the geometric noise assumption does not employ any smoothness assumption.