BriefGPT - AI 论文速递
·
Sobolev 训练用于运算学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了将最小二乘回归中的$L_2$-norms扩展至更强的norms的方法，无需将回归函数包含在假设空间中。通过将已知的积分算子技术与内嵌属性相结合，得到了新的有限样本边界，并证明了结果的渐近最优性。
🎯
关键要点
- 本文扩展了最小二乘回归中的 $L_2$-norms 至更强的 norms。
- 扩展无需将回归函数包含在假设空间中。
- 在 Sobolev 重现核希尔伯特空间的特殊情况下，这些更强的 norms 与分数 Sobolev norms 一致。
- 结合了已知的积分算子技术与内嵌属性，产生了新的有限样本边界。
- 从有限样本边界出发可以轻松得出学习率。
- 证明了结果在许多情况下的渐近最优性。
➡️
