抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
訓練データの量は,学習アルゴリズムの一般化能力を決定する主要因子の1つである。直感的に,訓練データ量が増加するにつれ,誤り率は減少する。驚くべきことに,この直感を定式化する自然な試みは,興味深く挑戦的な数学的疑問を生じる。例えば,パターン認識,Devroye,Gyorfi,およびLugosi(1996)の古典的書籍において,{単調}Bayes整合アルゴリズムが存在するかどうかを問う。この疑問は,最近Pestov(2021)が,単調Bayesコンシステントアルゴリズムの複雑な構築を用いて,バイナリ分類のために解決するまで,25年以上にわたって未解決のままだった。著者らは,マルチクラス分類における一般的結果を導き,あらゆる学習アルゴリズムAが類似の性能で単調なものに変換できることを示した。さらに,変換は効率的で,Aへのブラックボックスオラクルアクセスのみを使用する。これは,性能を損なうことなく非単調行動をおそらく回避できることを示し,従ってDevroyeら(1996),Viring,Mey,Loog(2019),ViringとLoog(2021),およびMhammedii(2011)が質問する質問に答える。この変換は,様々なコンテキストにおける単調学習者を容易に暗示する:例えば,Pestovの結果を任意のラベル数で分類タスクに拡張する。これは,バイナリ分類に合わせたPestovの仕事と対照的である。さらに,単調アルゴリズムの誤差に関する均一限界を提供した。これは,この変換を無分布設定に適用できる。例えば,PAC学習では,あらゆる学習可能なクラスが単調なPAC学習者を許すことを意味する。これは,Viering,Mey,Loog(2019)による疑問を解決する。バイリングとロッグ(2021);Mhammedi(2021)。【JST・京大機械翻訳】
