Fast learning rates for plug-in classifiers
插入式分类器的快速学习率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：文本研究一般统计分类的风险收敛率，未提供因果、经济预测或其他所列领域细分的直接依据。
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…
插入式分类器的快速学习率
- 研究问题
- 在间隔或低噪声假设下，插入式分类器的超额贝叶斯风险能否达到快于通常界限的收敛率，并突破已有猜想？
- 方法与思路
- 作者构造插入式分类器，分析其超额贝叶斯风险的收敛速度，并建立极小极大下界来判断所得速率能否改进。
- 材料陈述的贡献
- 摘要称所构造分类器可达到快于样本量倒数的超快速率，并以极小极大下界反驳两项关于最快速率和方法差距的猜想。
- 阅读关注点
- 应核对间隔条件及其他分布、光滑性限制，明确超快速率适用的模型类，以及上下界是否针对同一风险和参数空间。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；具体条件与证明未提供，不能将超快速率推广至任意分类问题或推断刊本变化。
原文摘要
It has been recently shown that, under the margin (or low noise) assumption, there exist classifiers attaining fast rates of convergence of the excess Bayes risk, that is, rates faster than n−1/2. The work on this subject has suggested the following two conjectures: (i) the best achievable fast rate is of the order n−1, and (ii) the plug-in classifiers generally converge more slowly than the classifiers based on empirical risk minimization. We show that both conjectures are not correct. In particular, we construct plug-in classifiers that can achieve not only fast, but also super-fast rates, that is, rates faster than n−1. We establish minimax lower bounds showing that the obtained rates cannot be improved.