On surrogate loss functions and f-divergences
替代损失函数与 f 散度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：摘要讨论一般二分类学习理论，二元标签本身不足以归入经济学离散选择或收益预测。
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…
替代损失函数与 f 散度
- 研究问题
- 当二分类的协变量先经过降维量化，且分类判别函数与量化器同时估计时，哪些替代损失能够保证贝叶斯一致性？
- 方法与思路
- 作者建立替代损失与 Ali–Silvey／f 散度泛函之间的一般对应关系，用这一关系表述联合经验风险最小化的一致性条件。
- 材料陈述的贡献
- 摘要称，论文把已有的零一损失对应关系推广到替代损失，并识别出可使判别函数与量化器联合估计保持一致性的严格子集。
- 阅读关注点
- 核对量化器与判别函数的允许类别、损失函数条件、贝叶斯一致性的目标，以及联合估计与固定量化器结论的差别。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体损失类别、函数空间条件与收敛保证未说明，不能据此推荐某一损失函数。
原文摘要
The goal of binary classification is to estimate a discriminant function γ from observations of covariate vectors and corresponding binary labels. We consider an elaboration of this problem in which the covariates are not available directly but are transformed by a dimensionality-reducing quantizer Q. We present conditions on loss functions such that empirical risk minimization yields Bayes consistency when both the discriminant function and the quantizer are estimated. These conditions are stated in terms of a general correspondence between loss functions and a class of functionals known as Ali-Silvey or f-divergence functionals. Whereas this correspondence was established by Blackwell [Proc. 2nd Berkeley Symp. Probab. Statist. 1 (1951) 93–102. Univ. California Press, Berkeley] for the 0–1 loss, we extend the correspondence to the broader class of surrogate loss functions that play a key role in the general theory of Bayes consistency for binary classification. Our result makes it possible to pick out the (strict) subset of surrogate loss functions that yield Bayes consistency for joint estimation of the discriminant function and the quantizer.