“Local” vs. “global” parameters—breaking the Gaussian complexity barrier
局部参数与全局参数：突破高斯复杂度障碍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：摘要属于一般统计学习复杂度理论，没有给出所列微观、宏观或金融方向的直接应用依据。
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
局部参数与全局参数：突破高斯复杂度障碍
- 研究问题
- 对于凸的次高斯函数类与独立噪声生成的学习问题，误差率应由局部覆盖复杂度还是高斯平均刻画？
- 方法与思路
- 作者使用特定尺度的局部覆盖估计定义固定点，并以误差率的上下界比较该刻画与涉及任意小尺度的高斯平均。
- 材料陈述的贡献
- 摘要称，在所述函数类与噪声设定下，学习误差率等价于局部覆盖固定点，并建立新的尖锐上下界。
- 阅读关注点
- 应核对次高斯条件、噪声要求、误差率的定义，以及固定点等价与尖锐界所涉及的常数和概率保证。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断具体损失函数、噪声矩条件、界的常数或算法实现。
原文摘要
We show that if $F$ is a convex class of functions that is $L$-sub-Gaussian, the error rate of learning problems generated by independent noise is equivalent to a fixed point determined by “local” covering estimates of the class (i.e., the covering number at a specific level), rather than by the Gaussian average, which takes into account the structure of $F$ at an arbitrarily small scale. To that end, we establish new sharp upper and lower estimates on the error rate in such learning problems.