অগনস্টিক পিএসি নমুনা নিম্ন সীমাবদ্ধ

এটি সুপরিচিত যে ক্লাসিকাল পিএসি শেখার জন্য, উদাহরণগুলি ওয়ার্পসিলন WHP- র একটি ত্রুটি সীমাবদ্ধ করার জন্য প্রয়োজনীয় , যেখানে ধারণা শ্রেণীর ভিসি-মাত্রা। $\Omega(d/\varepsilon)$ $\varepsilon$ $d$

এটি কি জানা যায় যে উদাহরণগুলি প্রয়োজন? $\Omega(d/\varepsilon^2)$

lg.learning machine-learning

— Aryeh
সূত্র

আমি নিশ্চিত নই যে নীচের চৌকাঠটি দেখতে কেমন, হয়েফডিং বেঁধে থাকলে (একজনের মনে হয় এটি থাকা উচিত)। এই বাউন্ড রাজ্যের 1 FN, যদি ত্রুটির সম্ভাব্যতা P হয়, তাহলে আপনি সর্বাধিক প্রয়োজন যে এরর + + মধ্যে থেকে পি অনুমান করার জন্য নমুনা - whp তাই যে কোনো ধারণা বর্গ বিবেচনা 2 ধারণা, এবং এবং ভিসি-মাত্রা 2. উদাহরণগুলির উপর একটি বিতরণ নিন যাতে (বা বিপরীতে) - এটি সম্ভব কারণ ভিসি-মাত্রা 2 এটি মনে হয় যে কেবলমাত্র ব্যবহার করে একটি অ্যালগরিদম এপসিলন উদাহরণগুলি উন্নত হয়েফডিং বাউন্ডকে বোঝায়।

m = O (1 / ϵ^{2})

$m = O(1/\epsilon^2)$

ϵ

$\epsilon$

f_{1}

$f_1$

f_{2}

$f_2$

p_{1} = p_{2} + ϵ

$p_1 = p_2 + \epsilon$

O (1 / ϵ)

$O(1/\epsilon)$

— অ্যারন রথ

যথা, আমি মনে করি যে হেফিংস বেঁধে জন্য 1/2 এ শক্ত । আমি মনে করি উপরের যুক্তিটি সাধারণত জানা যায় ...

p = 1 / 2

$p=1/2$

O (1 / ϵ^{2})

$O(1/\epsilon^2)$

— লেভ রেইজিন

ঠিক আছে - দেখে মনে হচ্ছে এমএল কোর্সের জন্য আমি নিজেকে অন্য একটি অনুশীলন পেয়েছি ... :) ইনপুটটির জন্য ধন্যবাদ, অ্যারন এবং লেভ!

— আরেহ

অ্যারন, সম্ভবত এটির একটি উত্তর হওয়া উচিত ছিল।

— সুরেশ ভেঙ্কট

আমি এখন বুঝতে পেরেছি যে অ্যান্টনি এবং বার্টলেট (নিম্নোক্ত সীমানা) সত্যই প্রতিষ্ঠিত হয়েছে ( এখানে উপস্থাপনাটি দেখুন )।

24-সেপ্টেম্বর 2018 সম্পাদনা করুন। এই প্রশ্নটি আমাকে এই সমস্ত বছর ধরে রেখেছে এবং সাম্প্রতিককালে আমি পিনেলিস এবং আমি অ্যানোস্টিক পিএসি এর নীচে আবদ্ধ হওয়ার জন্য যথাযথ ধ্রুবকটি পেয়েছি Ann স্ট্যাটাস ।

— Aryeh
সূত্র

আপনার কাগজে আপনি এই কাজটি উদ্ধৃত করবেন না ( jmlr.org/papers/volume17/15-389/15-389.pdf )। আপনার কাজের সাথে কোনও সংযোগ না হওয়ার বিষয়টি বাস্তবায়িত ক্ষেত্রে সর্বোত্তম নমুনা জটিলতার ওপরের দিকে কী কাজ করে? এই সম্পর্কিত অনুকূল নমুনা জটিলতা ওপেনবাউন্ডগুলি অগ্নিস্টিক ক্ষেত্রে পরিচিত?

— গ্রেডস্টুডেন্ট

আমি মনে করি না যে আদায়যোগ্য কেসটি সমস্ত সম্পর্কিত। অনুধাবনযোগ্য ক্ষেত্রে, ইআরএম অনুকূল হারের গ্যারান্টি দেয় না - সুতরাং লগ ফ্যাক্টরটি সরাতে হেনকে এবং অন্যদের কঠোর পরিশ্রম করতে হয়েছিল এবং কোনও উপযুক্ত শিক্ষানবিস সর্বোত্তম হার অর্জন করতে পারে কিনা তা এখনও অজানা। বিপরীতে, অজগনীয় ক্ষেত্রে, এটি দীর্ঘকাল ধরেই পরিচিত ছিল যে ইআরএম অনুকূল হার অর্জন করে।

— আরেহ