On ψ-Learning
ψ学习研究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：摘要研究通用分类学习与泛化误差，分类标签预测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…
ψ学习研究
- 研究问题
- 在类别无法完全分离时，如何超越单纯的大间隔原则，从泛化误差出发构造分类学习方法并研究其收敛表现？
- 方法与思路
- 作者从泛化误差直接构造ψ学习方法，建立理论，在两个学习例子中研究收敛率，并进行模拟和乳腺癌分类比较。
- 材料陈述的贡献
- 摘要称ψ学习在两个例子中基本达到最优收敛率，且模拟与乳腺癌分类结果显示其泛化表现优于所比较的支持向量机。
- 阅读关注点
- 应核对ψ学习的目标函数、最优收敛率的适用函数类，以及支持向量机比较中的调参、数据划分与评价指标。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出理论条件或比较数值，所述优势限于报告的例子，不能推广至所有分类任务。
原文摘要
The concept of large margins have been recognized as an important principle in analyzing learning methodologies, including boosting, neural networks, and support vector machines (SVMs). However, this concept alone is not adequate for learning in nonseparable cases. We propose a learning methodology, called ψ-learning, that is derived from a direct consideration of generalization errors. We provide a theory for ψ-learning and show that it essentially attains the optimal rates of convergence in two learning examples. Finally, results from simulation studies and from breast cancer classification confirm the ability of ψ-learning to outperform SVM in generalization.