کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6875592 1441973 2018 18 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Generalization bounds for learning weighted automata
ترجمه فارسی عنوان
محدوده تعمیم برای اتوماتای ​​یادگیری وزن
کلمات کلیدی
تئوری یادگیری، محدوده تعمیم، اتوماتای ​​وزنی، پیچیدگی رادامچر،
ترجمه چکیده
در این مقاله، مسئله ماشین های آماری یادگیری از یک نمونه محدود از رشته ها با برچسب های ارزشمند مورد بررسی قرار می گیرد. چندین فرضیه را در نظر می گیریم که کلاس های اتوماتیک وزن با استفاده از سه روش مختلف تعریف می شود: هنجار وزن های اتوماتیک، هنجار تابع محاسبه شده توسط یک ماشین و هنجار ماتریس مربوط هانکل. ما تضمین تعمیم های وابسته به داده ها را برای ماشین های آماری یادگیری ارائه شده با توجه به پیچیدگی رادامچر این کلاس ها ارائه می دهیم. علاوه بر این، مرزهای بالایی در این پیچیدگی های رادامچر وجود دارد که نشان می دهد که کلید های جدید وابسته به داده وابسته به پیچیدگی اتوماتیک وزن گیری یادگیری است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
محدوده تعمیم برای اتوماتای ​​یادگیری وزن
چکیده انگلیسی
This paper studies the problem of learning weighted automata from a finite sample of strings with real-valued labels. We consider several hypothesis classes of weighted automata defined in terms of three different measures: the norm of an automaton's weights, the norm of the function computed by an automaton, and the norm of the corresponding Hankel matrix. We present new data-dependent generalization guarantees for learning weighted automata expressed in terms of the Rademacher complexity of these classes. We further present upper bounds on these Rademacher complexities, which reveal key new data-dependent terms related to the complexity of learning weighted automata.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Theoretical Computer Science - Volume 716, 15 March 2018, Pages 89-106
نویسندگان
, ,