大数据下的PAC-Bayesian学习理论综述

• 作者: 张文生 杨阳 杨雪冰
• 来源期刊: 山西大学学报（自然科学版）
• 学科: 工学
• 关键词: PAC-Bayesian界 学习理论 贝叶斯学习 大数据
• 年，卷（期）: 2015,（3）
• 所属期刊栏目: 2015年中国计算机学会人工智能会议(CCFAI2015)论文选?
• 页码范围: 413-419
• 分类号: TP181
• 语种: 中文
• DOI: 10.13451/j.cnki.shanxi.univ(nat.sci.).2015.03.005

摘要

概率近似正确(PAC)是研究“可学习”的理论框架.近年来,研究人员融合贝叶斯方法与不依赖分布的PAC性能度量提出了所谓的PAC-Bayesian学习理论.该理论因其对于任意概念空间任意测度的先验均能给出泛化误差界而在人工智能不同领域的相关算法分析中得到广泛应用.文章综述了PAC-Bayesian学习理论的由来及其核心思想,进而结合大数据的特点,论述了PAC-Bayesian适合于大数据相关算法的理论分析.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨阳	中国科学院自动化研究所	148	1314	17.0	29.0
2	张文生	中国科学院自动化研究所	98	1246	18.0	33.0
3	杨雪冰	中国科学院自动化研究所	4	20	2.0	4.0