Rademacher复杂度在统计学习理论中的研究：综述

• 作者: 吴新星 张军平
• 来源期刊: 自动化学报
• 关键词: 机器学习 统计学习理论 泛化界 Rademacher复杂度
• 年，卷（期）: 2017,（1）
• 页码范围: 20-39
• 页数: 20页
• 字数: 19618字
• 语种: 中文
• DOI: 10.16383/j.aas.2017.c160149

摘要

假设空间复杂性是统计学习理论中用于分析学习模型泛化能力的关键因素。与数据无关的复杂度不同， Rademacher复杂度是与数据分布相关的，因而通常能得到比传统复杂度更紧致的泛化界表达。近年来， Rademacher 复杂度在统计学习理论泛化能力分析的应用发展中起到了重要的作用。鉴于其重要性，本文梳理了各种形式的Rademacher 复杂度及其与传统复杂度之间的关联性，并探讨了基于Rademacher 复杂度进行学习模型泛化能力分析的基本技巧。考虑样本数据的独立同分布和非独立同分布两种产生环境，总结并分析了Rademacher复杂度在泛化能力分析方面的研究现状。展望了当前Rademacher复杂度在非监督框架与非序列环境等方面研究的不足，及其进一步应用与发展。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张军平	复旦大学计算机科学技术学院	6	161	4.0	6.0
5	吴新星	上海电子信息职业技术学院计算机应用系	8	24	2.0	4.0