pac-bayes理论及应用研究综述 survey on pac-bayes theory and application research.pdfVIP

下载本文档

4
0
约5.13万字
约 13页
2017-09-05 发布于上海
举报
版权申诉

pac-bayes理论及应用研究综述 survey on pac-bayes theory and application research.pdf

1、本文档共13页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

pac-bayes理论及应用研究综述 survey on pac-bayes theory and application research

汤莉，宫秀军，何丽.PAC-Bayes理论及应用研究综述[J].计算机科学与探索，2015 ，9（1）：1-13. ISSN 1673-9418 CODEN JKYTA8 E-mail: fcst@ Journal of Frontiers of Computer Science and Technology 1673-9418/2015/09(01)-0001-13 Tel: +86-10 doi: 10.3778/j.issn.1673-9418.1410046 PAC-Bayes理论及应用研究综述* 1,2 2,3+ 1 汤莉，宫秀军，何丽 1. 天津财经大学理工学院信息科学与技术系，天津 300222 2. 天津大学计算机科学与技术学院，天津 300072 3. 天津市认知计算与应用重点实验室，天津 300072 Survey on PAC-Bayes Theory and Application Research TANG Li1,2, GONG Xiujun2,3+, HE Li1 1. Department of Information Science and Technology, School of Science and Technology, Tianjin University of Finance and Economics, Tianjin 300222, China 2. School of Computer Science and Technology, Tianjin University, Tianjin 300072, China 3. Tianjin Key Laboratory of Cognitive Computing and Application, Tianjin 300072, China + Corresponding author: E-mail: gongxj@ TANG Li, GONG Xiujun, HE Li. Survey on PAC-Bayes theory and application research. Journal of Frontiers of Computer Science and Technology, 2015, 9(1) ：1-13. Abstract: PAC-Bayes theory integrating theories of Bayesian paradigm and structure risk minimization for stochastic classifiers has been considered as a framework for deriving some of the tightest generalization bounds. This paper analyzes the research background and profound significance of PAC-Bayes theory, and introduces the framework of PAC-Bayes theory and its application to support vector machine (SVM). Then, this paper discusses PAC-Bayes bound of many machine learning algorithms, and specially analyzes the bound with the non-IID data. Furthermore, this paper elaborates research status and development of the PAC-Ba