机构名称：
¥ 3.0
算法稳定性 - 也就是说，训练数据如何影响学习模型，这是现代数据分析的基础。在学习理论中，某些形式的稳定性是必要的，足以泛化（Bousquet和Elisseeff，2002； Poggio等人。，2004年； Shalev-Shwartz等。，2010年）。在模型选择中，稳定性措施可以可靠地识别重要特征（Meinshausen和B.Uhlmann，2010年； Shah和Samworth，2013年； Ren等人。，2023）。在科学应用中，稳定的方法促进了可重复性，这是有意义的推论的先决条件（Yu，2013）。在无分配预测中，稳定性是折刀有效性的关键假设（也就是说，一对跨验证）的预测间隔（Barber等人，2021; Steinberger和Leeb，2023年）。预见稳定性的各种好处，Breiman（1996a，b）提议将行李作为合奏元算法，以稳定任何基础学习算法。袋装，缩写为bootstrap aggation，将基本算法转化为训练数据的许多扰动，并平均得出的预测。Breiman将行李作为现成的稳定器的愿景激发了我们的主要问题：在任意基础算法上行李如何稳定，对数据产生分布没有任何假设？在本文中，我们首先要为具有有限输出的基础算法的情况回答这个问题，然后向无限情况显示扩展。
包装提供无假设的稳定性
主要关键词
相关文件推荐
