概念学習における学習曲線の評価
書誌事項
- タイトル別名
-
- Estimating Learning Curves of Concept Learning
この論文をさがす
説明
本論文では、概念学習における学習曲線を評価するために仮説検定不等式を直接適用する近似手法を導入し、学習アルゴリズムの学習曲線の解析を行う。このため、最悪ではないが、Gibbs学習アルゴリズムよりも汎化性能において劣り、しかもoverfitting問題に関する評価に適するill-posed学習アルゴリズムを導入し、解析を行う。本文における学習曲線の上界の評価においてはVC次元ではなく、ネットワーク上でのパラメーター数以下の値を持つ係数(Regular Interpolation Dimension)が現れる。このためVC理論よりも良い上界となり、しかも、統計物理的な手法よりも一般的な結果が得られる。
In this paper, we describe an approximation method that enables us to study the average generalization performance of learning directly via hypothesis testing inequalities, and investigate learning curves of a so-called ill-posed learning algorithm that peroforms worse than the Gibbs learning algorithm and can provide useful implications regarding the problem of overfitting from a practical and yet scientific viewpoint. The resulting bounds are directly related to the number of system weights. The advantages of the theory are that it alleviates the practical pessimism frequently claimed for the results of the VC theory, and provides general insights.
収録刊行物
-
- 電子情報通信学会技術研究報告. NC, ニューロコンピューティング
-
電子情報通信学会技術研究報告. NC, ニューロコンピューティング 95 (346), 63-70, 1995-10-28
一般社団法人電子情報通信学会
- Tweet
詳細情報 詳細情報について
-
- CRID
- 1573387452283705472
-
- NII論文ID
- 110003232999
-
- NII書誌ID
- AN10091178
-
- 本文言語コード
- en
-
- データソース種別
-
- CiNii Articles
