Learning capability of the rescaled pure greedy algorithm with non-iid sampling

Autor:	Qin Guo, Binlei Cai
Jazyk:	angličtina
Rok vydání:	2023
Předmět:	rescaled pure greedy algorithm $ \beta $-mixing non-identical sequences drift error covering number learning rate Mathematics QA1-939 Applied mathematics. Quantitative methods T57-57.97
Zdroj:	Electronic Research Archive, Vol 31, Iss 3, Pp 1387-1404 (2023)
Druh dokumentu:	article
ISSN:	2688-1594
DOI:	10.3934/era.2023071?viewType=HTML
Popis:	We consider the rescaled pure greedy learning algorithm (RPGLA) with the dependent samples drawn according to a non-identical sequence of probability distributions. The generalization performance is provided by applying the independent-blocks technique and adding the drift error. We derive the satisfactory learning rate for the algorithm under the assumption that the process satisfies stationary $ \beta $-mixing, and also find that the optimal rate $ O(n^{-1}) $ can be obtained for i.i.d. processes.
Databáze:	Directory of Open Access Journals
Externí odkaz:	https://doaj.org/article/d1e4d9a6756f455b91c0f9768bdcaaa5 Zobrazit plný text záznamu View record in DOAJ Plný text ve formátu PDF Plný text ve formátu HTML
Nepřihlášeným uživatelům se plný text nezobrazuje	K zobrazení výsledku je třeba se přihlásit.