Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2508.18682

帮助 | 高级搜索

数学 > 统计理论

arXiv:2508.18682 (math)
[提交于 2025年8月26日 ]

标题: 简单而精确的提升泛化界

标题: Simple and Sharp Generalization Bounds via Lifting

Authors:Jingbo Liu
摘要: 我们开发了一个信息论框架,用于界定随机过程的期望上确界和尾部概率,为泛化界限提供了比经典链式和分层论证更简单且更精确的替代方法。 关键思想是一个提升论证,它产生了经验过程界限的信息论类比,例如Dudley的熵积分。 提升引入了对称性,即使经典的Dudley积分较松散时也能得到精确的界限。 作为副产品,我们得到了主要测度定理的简洁证明,并提供了显式的常数。 信息论方法在泛化理论中提供了经典局部复杂度界限的软版本,但更为简洁,不需要分层论证。 我们将这种方法应用于Sobolev椭球和弱$\ell_q$球上的经验风险最小化,得到了更精确的收敛速率或扩展到经典方法未涵盖的设置。
摘要: We develop an information-theoretic framework for bounding the expected supremum and tail probabilities of stochastic processes, offering a simpler and sharper alternative to classical chaining and slicing arguments for generalization bounds. The key idea is a lifting argument that produces information-theoretic analogues of empirical process bounds, such as Dudley's entropy integral. The lifting introduces symmetry, yielding sharp bounds even when the classical Dudley integral is loose. As a by-product, we obtain a concise proof of the majorizing measure theorem, providing explicit constants. The information-theoretic approach provides a soft version of classical localized complexity bounds in generalization theory, but is more concise and does not require the slicing argument. We apply this approach to empirical risk minimization over Sobolev ellipsoids and weak $\ell_q$ balls, obtaining sharper convergence rates or extensions to settings not covered by classical methods.
评论: 75页,1图
主题: 统计理论 (math.ST)
MSC 类: 62F12 (Primary) 60G15, 60E15, 62C20, 94A17 (Secondary)
引用方式: arXiv:2508.18682 [math.ST]
  (或者 arXiv:2508.18682v1 [math.ST] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.18682
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Jingbo Liu [查看电子邮件]
[v1] 星期二, 2025 年 8 月 26 日 05:04:54 UTC (56 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
math.ST
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
math
stat
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号