Square root penalty: Adaptation to the margin in classification and in edge estimation
平方根惩罚：分类与边界估计中的间隔自适应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与边界估计，未提供归入离散选择、网络或其他给定计量方向的依据。
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
平方根惩罚：分类与边界估计中的间隔自适应
- 研究问题
- 二元分类中如何自动适应间隔条件以取得较快的超额风险收敛，并将相关方法扩展到边界估计问题？
- 方法与思路
- 作者提出惩罚经验风险最小化分类器，通过惩罚实现间隔自适应，并称相同方法也可构造自适应边界估计量。
- 材料陈述的贡献
- 摘要称分类器在相差对数因子的意义下达到快速最优速率，并给出边界估计扩展；具体惩罚形式未予说明。
- 阅读关注点
- 应核对间隔条件、候选模型复杂度及最优性的比较范围；摘要中收敛指数的排版需查原文确认后再引用。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断惩罚构造和适用条件。速率指数的排版不清，不能重构公式；边界估计不应理解为网络边估计。
原文摘要
We consider the problem of adaptation to the margin in binary classification. We suggest a penalized empirical risk minimization classifier that adaptively attains, up to a logarithmic factor, fast optimal rates of convergence for the excess risk, that is, rates that can be faster than n−1/2, where n is the sample size. We show that our method also gives adaptive estimators for the problem of edge estimation.