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。
学習解が社会,産業および医療分野で重要な応用に達するので,それらの行動を縮小する必要性は,最高になった。現在,明示的な調整なしに,学習は偏った,不安全,および前判断解を導くことができるという十分な証拠がある。これらの問題に取り組むために,著者らは,おそらく近似的に正しい(PAC)学習フレームワークに基づく制約学習の一般化理論を開発した。特に,筆者らは,任意のPAC学習可能クラスが,経験的リスク最小化(ERM)ルールの制約付き対応物を用いて,PAC制約学習可能となるという意味で,学習問題をより困難にしないことを示した。しかし,典型的なパラメータ化モデルに対して,この学習者は,実現可能な解を得る場合でも,制約付き非凸最適化プログラムを解くことを含む。この課題を克服するために,穏やかな条件下で,制約学習の経験的二重問題は,現在,制約なし問題を解くことのみに基づく実用的制約学習アルゴリズムを導くPAC制約学習者であることを証明した。この解の一般化特性を解析し,制約学習が公正でロバストな分類における問題に対処することができるかを例証するためにそれを使用する。【JST・京大機械翻訳】