Local Rademacher complexities
局部 Rademacher 复杂度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：摘要讨论一般学习理论的分类与预测，未明确涉及宏观预测或金融收益预测。
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…
局部 Rademacher 复杂度
- 研究问题
- 如何用数据依赖的函数类复杂度控制学习算法误差，局部化到经验误差较小的函数是否有助于获得更精细的速率？
- 方法与思路
- 作者在经验误差较小的函数子集上计算局部经验 Rademacher 平均，据此建立误差界，并应用于凸函数类和核函数类。
- 材料陈述的贡献
- 摘要称，所建立的数据依赖误差界给出最优速率，并展示其在分类及凸函数类预测问题中的应用，特别包括核函数类。
- 阅读关注点
- 应核对局部函数子集的定义、损失和函数类条件，以及最优速率采用的比较基准和复杂度界能否从数据中计算。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体速率、适用损失和算法条件，不能理解为所有学习任务均获最优保证。
原文摘要
We propose new bounds on the error of learning algorithms in terms of a data-dependent notion of complexity. The estimates we establish give optimal rates and are based on a local and empirical version of Rademacher averages, in the sense that the Rademacher averages are computed from the data, on a subset of functions with small empirical error. We present some applications to classification and prediction with convex function classes, and with kernel classes in particular.