Quantifying accuracy of learning via sample width

Martin Anthony, Joel Ratsaby

פרסום מחקרי: פרק בספר / בדוח / בכנספרסום בספר כנסביקורת עמיתים

תקציר

In a recent paper, the authors introduced the notion of sample width for binary classifiers defined on the set of real numbers. It was shown that the performance of such classifiers could be quantified in terms of this sample width. This paper considers how to adapt the idea of sample width so that it can be applied in cases where the classifiers are defined on some finite metric space. We discuss how to employ a greedy set-covering heuristic to bound generalization error. Then, by relating the learning problem to one involving certain graph-theoretic parameters, we obtain generalization error bounds that depend on the sample width and on measures of 'density' of the underlying metric space.

שפה מקוריתאנגלית אמריקאית
כותר פרסום המארחProceedings of the 2013 IEEE Symposium on Foundations of Computational Intelligence, FOCI 2013 - 2013 IEEE Symposium Series on Computational Intelligence, SSCI 2013
עמודים84-90
מספר עמודים7
מזהי עצם דיגיטלי (DOIs)
סטטוס פרסוםפורסם - 15 אוק׳ 2013
אירוע2013 IEEE Symposium on Foundations of Computational Intelligence, FOCI 2013 - 2013 IEEE Symposium Series on Computational Intelligence, SSCI 2013 - Singapore, סינגפור
משך הזמן: 16 אפר׳ 201319 אפר׳ 2013

סדרות פרסומים

שםProceedings of the 2013 IEEE Symposium on Foundations of Computational Intelligence, FOCI 2013 - 2013 IEEE Symposium Series on Computational Intelligence, SSCI 2013

כנס

כנס2013 IEEE Symposium on Foundations of Computational Intelligence, FOCI 2013 - 2013 IEEE Symposium Series on Computational Intelligence, SSCI 2013
מדינה/אזורסינגפור
עירSingapore
תקופה16/04/1319/04/13

ASJC Scopus subject areas

  • ???subjectarea.asjc.1700.1702???

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'Quantifying accuracy of learning via sample width'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי