Adaptive learning rates for support vector machines working on data with low intrinsic dimension
低内在维度数据上支持向量机的自适应学习速率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：摘要研究通用机器学习的回归与分类速率，没有宏观预测、收益预测或离散选择模型的直接证据。
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
低内在维度数据上支持向量机的自适应学习速率
- 研究问题
- 当数据支持集具有较低盒计数维数时，高斯核支持向量机能否获得由内在维度决定的学习速率，并自适应选择超参数？
- 方法与思路
- 作者在回归与分类的正则条件下推导高斯核支持向量机的学习速率，用支持集盒计数维数替代环境维数，并研究训练验证选参。
- 材料陈述的贡献
- 摘要称部分情形下速率在对数因子内达到极小极大最优，其他分类情形具有已知最佳速率的形式，训练验证选参可自适应达到相同速率。
- 阅读关注点
- 阅读全文时应核对支持集维数与正则条件的定义，以及最优性成立的参数范围，并查看验证选参的候选集合与样本分配规则。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。具体速率、正则条件和比较范围未提供；理论速率不能直接说明有限样本或计量应用中的预测优势。
原文摘要
We derive improved regression and classification rates for support vector machines using Gaussian kernels under the assumption that the data has some low-dimensional intrinsic structure that is described by the box-counting dimension. Under some standard regularity assumptions for regression and classification, we prove learning rates, in which the dimension of the ambient space is replaced by the box-counting dimension of the support of the data generating distribution. In the regression case, our rates are in some cases minimax optimal up to logarithmic factors, whereas in the classification case our rates are minimax optimal up to logarithmic factors in a certain range of our assumptions and otherwise of the form of the best known rates. Furthermore, we show that a training validation approach for choosing the hyperparameters of a SVM in a data dependent way achieves the same rates adaptively, that is, without any knowledge on the data generating distribution.