Risk bounds for statistical learning
统计学习的风险界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：摘要中的风险指统计分类损失，未涉及金融风险或其他所列经济计量领域。
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
统计学习的风险界
- 研究问题
- 二元分类中，在 margin 条件下如何控制经验风险最小化估计量的风险，并用不同的分类器复杂度度量建立界限？
- 方法与思路
- 作者对适当加权的经验过程使用集中不等式，扩展既有 margin 条件分析，并考虑区别于括号熵的分类器集合复杂度度量。
- 材料陈述的贡献
- 摘要称提出经验风险最小化的一般风险上界定理，推导 VC 类分类规则的新风险界，并讨论这些界的极小极大最优性。
- 阅读关注点
- 应核对 margin 条件、复杂度度量及风险界的具体形式，并查看极小极大讨论对应的模型集合和上下界是否匹配。
- 阅读边界
- 版本未注明的索引摘要未给出收敛速率、常数或完整假设；分类风险不能据其名称解释为金融风险。
原文摘要
We propose a general theorem providing upper bounds for the risk of an empirical risk minimizer (ERM).We essentially focus on the binary classification framework. We extend Tsybakov’s analysis of the risk of an ERM under margin type conditions by using concentration inequalities for conveniently weighted empirical processes. This allows us to deal with ways of measuring the “size” of a class of classifiers other than entropy with bracketing as in Tsybakov’s work. In particular, we derive new risk bounds for the ERM when the classification rules belong to some VC-class under margin conditions and discuss the optimality of these bounds in a minimax sense.