您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201805-173
论文题目 训练误差概率分布对泛化性能的影响
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

训练误差概率分布对泛化性能的影响

首发时间:2018-05-18

赵金伟 1   

赵金伟(1974-),男,副教授,主要研究方向:机器学习

王宇飞 1    柳宇 1    黑新宏 1   

黑新宏(1976-),男,教授,主要研究方向:轨道交通,机器学习,数据分析,

  • 1、西安理工大学计算机科学与工程学院,西安 710048

摘要:经验风险是训练样本预测误差的平均值。然而,当损失函数确定后,对于给定的样本数据集来说,训练样本的预测误差在样本空间中并不全是大概率事件,那么在经验风险中平等对待这些样本是不正确的,所以在分析无界损失函数集合的风险界时,必须要考虑训练样本预测误差概率分布的尾部厚重程度。因此,本文将训练样本的预测误差按倒序排序,然后重新讨论经验风险与结构风险,分析了期望风险的上界,提出了新的泛化误差界--尾部综合指数下界。基于商空间理论本文还提出将尾部综合指数下界与LOO留一方法误差界综合考虑,在假设空间构造多层拓扑结构来寻找最优的假设紧子空间。通过在实验证明了本方法在提高一些学习算法的泛化性能的鲁棒性与有效性。

关键词: 无界非负损失函数集 统计学习理论 拓扑结构 重尾指数

For information in English, please click here

Influence of Training Error Probability Distribution on Generalization Performance

ZHAO Jinwei 1   

赵金伟(1974-),男,副教授,主要研究方向:机器学习

WANG Yufei 1    LIU Yu 1    HEI Xinhong 1   

黑新宏(1976-),男,教授,主要研究方向:轨道交通,机器学习,数据分析,

  • 1、School of Computer Science and Engineering, Xi’an University of Technology, Xi’an 710048

Abstract:The empirical risk is an average of the training sample prediction error.However, when the loss function is determined, for a given sample data set, the prediction errors of the training samples are not all is a big probability eventin the sample space, then in the empirical risk equal treatment to the samples is incorrect, so in the riskanalysis of unboundedloss function set, we must consider the thickness of tail of the training sample prediction error probability distribution. For this reason, in this paper, the prediction errors of the training sample are sorted in ascending order, then new empirical risk and structural risk are discussed, and the upper bound of the expected risk is analyzed.A new generalization error boundary, lower bound of tail synthetic index, is proposed. Based onquotient space theory the new bound and loo error bound are introduced for finding optimal compact function subspace. The robustness and effectiveness of the proposed method in improving the generalization performance of some learning algorithms are validated by experiments.

Keywords: loss function statistical learning theory topological structure tail synthetic index

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
赵金伟,王宇飞,柳宇,等. 训练误差概率分布对泛化性能的影响[EB/OL]. 北京:中国科技论文在线 [2018-05-18]. http://www.paper.edu.cn/releasepaper/content/201805-173.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

训练误差概率分布对泛化性能的影响