★ 2
稀疏先验实现高效分布学习
论文提出「稀疏先验」类与「稀疏维度」概念，用以刻画真实分布的结构稀疏性。在 k-稀疏先验下，分布学习的贝叶斯风险下界为 Ω(√(k/n))，并在温和假设下给出 TV 距离的匹配上界。结果表明合适的先验可克服对样本量 n 的维度诅咒，且结论同样适用于「学习采样」。
arXiv cs.LG42 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出「稀疏先验」类与「稀疏维度」概念，用以刻画真实分布的结构稀疏性。在 k-稀疏先验下，分布学习的贝叶斯风险下界为 Ω(√(k/n))，并在温和假设下给出 TV 距离的匹配上界。结果表明合适的先验可克服对样本量 n 的维度诅咒，且结论同样适用于「学习采样」。