ترجمه فارسی مقاله طبقه بندی نادرست محدودیت ریسک اضافی برای طبقه بندی Pac-bayesian از طریق از دست دادن محدب

چکیده

PAC-Bayesian bounds have proven to be a valuable tool for deriving generalization bounds and for designing new learning algorithms in machine learning. However, it typically focus on providing generalization bounds with respect to a chosen loss function. In classification tasks, due to the non-convex nature of the 0-1 loss, a convex surrogate loss is often used, and thus current PAC-Bayesian bounds are primarily specified for this convex surrogate. This work shifts its focus to providing misclassification excess risk bounds for PAC-Bayesian classification when using a convex surrogate loss. Our key ingredient here is to leverage PAC-Bayesian relative bounds in expectation rather than relying on PAC-Bayesian bounds in probability. We demonstrate our approach in several important applications.

چکیده به فارسی (ترجمه ماشینی)

ثابت شده است که مرزهای Pac-Bayesian ابزاری ارزشمند برای به دست آوردن مرزهای عمومی و طراحی الگوریتم های یادگیری جدید در یادگیری ماشین است.با این حال ، به طور معمول بر ارائه مرزهای تعمیم با توجه به یک عملکرد از دست دادن انتخاب شده متمرکز است.در وظایف طبقه بندی ، به دلیل ماهیت غیر متمایز از دست دادن 0-1 ، از دست دادن جانشین محدب اغلب استفاده می شود ، و بنابراین مرزهای Pac-bayesian فعلی در درجه اول برای این جانشین محدب مشخص می شود.این کار تمرکز خود را به سمت ارائه نادرست از خطوط خطر اضافی برای طبقه بندی Pac-Bayesian هنگام استفاده از ضرر جانشین محدب تغییر می دهد.ماده اصلی ما در اینجا اهرم از مرزهای نسبی Pac-Bayesian در انتظار است نه اینکه به احتمال زیاد به مرزهای Pac-Bayesian اعتماد کنیم.ما رویکرد خود را در چندین برنامه مهم نشان می دهیم.