In this paper we derive a PAC-Bayesian error bound for autonomous stochastic LTI state-space models. The motivation for deriving such error bounds is that they will allow deriving similar error bounds for more general dynamical systems, including recurrent neural networks. In turn, PACBayesian error bounds are known to be useful for analyzing machine learning algorithms and for deriving new ones.
翻译：在本文中,我们得出了一个PAC-Bayesian错误,该错误将连接到自动随机的 LTI 状态空间模型中。 得出这种错误界限的动机是允许为更普遍的动态系统(包括经常性神经网络)得出类似的错误界限。 反过来,PAC-Bayesian错误界限对于分析机器学习算法和产生新的算法是有用的。
相关内容
机器学习（Machine Learning）是一个研究计算学习方法的国际论坛。该杂志发表文章，报告广泛的学习方法应用于各种学习问题的实质性结果。该杂志的特色论文描述研究的问题和方法，应用研究和研究方法的问题。有关学习问题或方法的论文通过实证研究、理论分析或与心理现象的比较提供了坚实的支持。应用论文展示了如何应用学习方法来解决重要的应用问题。研究方法论文改进了机器学习的研究方法。所有的论文都以其他研究人员可以验证或复制的方式描述了支持证据。论文还详细说明了学习的组成部分，并讨论了关于知识表示和性能任务的假设。
官网地址：http://dblp.uni-trier.de/db/journals/ml/
专知会员服务
155+阅读 · 2020年1月29日
Arxiv
0+阅读 · 2021年5月18日
Arxiv
0+阅读 · 2021年5月17日
Arxiv
0+阅读 · 2021年5月15日
Arxiv
3+阅读 · 2018年4月10日
相关VIP内容
专知会员服务
155+阅读 · 2020年1月29日
相关资讯
相关论文
Arxiv
0+阅读 · 2021年5月18日
Arxiv
0+阅读 · 2021年5月17日
Arxiv
0+阅读 · 2021年5月15日
Arxiv
3+阅读 · 2018年4月10日
微信扫码咨询专知VIP会员