10.13334/j.0258-8013.pcsee.190479
数据-知识融合的机器学习(2):泛化风险
该文首先概述数据驱动的机器学习模型(data-driven model,DDM)的有关理论研究成果.在此基础上,论证数据-知识融合的学习模型(knowledge-guiding&data-driven model,KDM)在问题的局部学习空间和全域学习空间的泛化性能.结果 表明,在有限样本和一定的假设前提下,KDM在局部学习空间的泛化误差以接近概率1收敛于某泛化误差界;在全域学习空间的泛化误差以概率1-δ收敛于某泛化误差界,该界比DDM的泛化误差上界更紧.因此,与单纯DDM相比,KDM的学习过程更加高效、可靠,能够更好地应对实际问题中的少样本学习问题.
机器学习、泛化风险、统计学习理论、数据驱动、知识引导
39
TM72(输配电工程、电力网及电力系统)
2019-09-20(万方平台首次上网日期,不代表论文的发表时间)
共9页
4641-4649