统计学习理论下的实用性泛化与认识不确定性
原文中文，约400字，阅读约需1分钟。发表于：。研究论文旨在探讨统计学习理论中的中心概念，如实现性和泛化性，如何在训练和测试分布来自同一可信集合（即概率分布的凸集）的假设下推广，这可视为在不确定性认知下的统计学习更一般处理的第一步。
本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。通过非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，提供了选择分布不确定性区域大小的方法，以实现达到精确覆盖的单侧和双侧置信区间。最后，证明了研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。
