本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #1373
- 日期：2026-03-18
摘要
在本文中，我們分析了貝葉斯最優和吉布斯學習演算法的平均訓練集外行為。我們透過利用「細化」的概念來做到這一點，它涉及機率分佈之間的關係。對於非均勻採樣分佈，兩種學習演算法的預期訓練集外誤差可能會隨著訓練集大小的增加而增加。然而，我們在本文中表明，對於均勻採樣和任一演算法，預期誤差是訓練集大小的非增函數。對於均勻取樣分佈，我們也描述了貝葉斯最優演算法的預期誤差保持恆定的先驗特徵。此外，我們也證明，當目標函數固定時，當且僅當所有目標的平均預期誤差隨著訓練集大小而減小時，預期訓練集外誤差才會隨著訓練集大小而增加。我們的結果適用於任意雜訊和任意損失函數。