Zobrazeno 1 - 10
of 15
pro vyhledávání: '"Generalisation Bounds"'
Publikováno v:
Entropy, Vol 23, Iss 10, p 1330 (2021)
We present new PAC-Bayesian generalisation bounds for learning problems with unbounded loss functions. This extends the relevance and applicability of the PAC-Bayes learning framework, where most of the existing literature focuses on supervised learn
Externí odkaz:
https://doaj.org/article/33a65f3c2a0647d88343c961a8a42f1f
Autor:
Haddouche, Maxime, Guedj, Benjamin
While PAC-Bayes is now an established learning framework for bounded losses, its extension to the case of unbounded losses (as simple as the squared loss on an unbounded space) remains largely uncharted and has attracted a growing interest in recent
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______4254::9f2f0d075823393cba461fdd87e29458
https://hal.inria.fr/hal-03815101/document
https://hal.inria.fr/hal-03815101/document
Autor:
Haddouche, Maxime, Guedj, Benjamin
Publikováno v:
Transactions on Machine Learning Research Journal
Transactions on Machine Learning Research Journal, 2023
Transactions on Machine Learning Research Journal, 2023
While PAC-Bayes is now an established learning framework for light-tailed losses (\emph{e.g.}, subgaussian or subexponential), its extension to the case of heavy-tailed losses remains largely uncharted and has attracted a growing interest in recent y
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::a11a8e439863010f8059270d92441f94
We establish new generalisation bounds for multiclass classification by abstracting to a more general setting of discretised error types. Extending the PAC-Bayes theory, we are hence able to provide fine-grained bounds on performance for multiclass c
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::d1274d5105b86bb51f8a82426238bcd1
Publikováno v:
Entropy
Entropy, MDPI, 2021, ⟨10.3390/e23101330⟩
Entropy, 2021, ⟨10.3390/e23101330⟩
Entropy, Vol 23, Iss 1330, p 1330 (2021)
Volume 23
Issue 10
Entropy, MDPI, 2021, ⟨10.3390/e23101330⟩
Entropy, 2021, ⟨10.3390/e23101330⟩
Entropy, Vol 23, Iss 1330, p 1330 (2021)
Volume 23
Issue 10
We present new PAC-Bayesian generalisation bounds for learning problems with unbounded loss functions. This extends the relevance and applicability of the PAC-Bayes learning framework, where most of the existing literature focuses on supervised learn
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::0ba80e7194ae035a0703343d27a179ea
https://hal.inria.fr/hal-02872173/document
https://hal.inria.fr/hal-02872173/document
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
We deal with the analysis of distribution dependent priors in the PAC-Bayes framework.We refine the analysis of the generalization ability of the Gibbs & Bayes classifiers.We review and refine the current state-of-the-art risk bounds.We apply the Alg
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::468ec75877cc026c20f53ae3d5734408
http://hdl.handle.net/11568/996681
http://hdl.handle.net/11568/996681
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Conference
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.