相对偏差保证金界限
Relative Deviation Margin Bounds
摘要：
我们提出了一系列新的和更有利的基于保证金的学习保证，依赖于预测器的经验保证金损失。我们给出了两种类型的学习界限，分布依赖和有效的一般家庭，在Rademacher复杂性或经验$\ell_\infty$覆盖数的假设集使用。此外，使用我们的相对偏差的边缘界，我们推导出分布依赖的广义界无界损失函数的假设下，一个有限的时刻。我们还简要强调了这些界限的几个应用，并讨论了它们与现有结果的联系。
英文摘要：
We present a series of new and more favorable margin-based learning guarantees that depend on the empirical margin loss of a predictor. We give two types of learning bounds, both distribution-dependent and valid for general families, in terms of the Rademacher complexity or the empirical $\ell_\infty$ covering number of the hypothesis set used. Furthermore, using our relative deviation margin bounds, we derive distribution-dependent generalization bounds for unbounded loss functions under the assumption of a finite moment. We also briefly highlight several applications of these bounds and discuss their connection with existing results.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
