位置:成果数据库 > 期刊 > 期刊详情页
大数据下的PAC-Bayesian学习理论综述
  • ISSN号:0253-2395
  • 期刊名称:山西大学学报(自然科学版)
  • 时间:2015.3.5
  • 页码:-
  • 分类:TP181[自动化与计算机技术—控制科学与工程;自动化与计算机技术—控制理论与控制工程]
  • 作者机构:[1]中国科学院自动化研究所,北京100190
  • 相关基金:国家自然科学基金重点项目(U1135005)
  • 相关项目:跨媒体协同处理与服务的理论和应用研究
中文摘要:

概率近似正确(PAC)是研究"可学习"的理论框架。近年来,研究人员融合贝叶斯方法与不依赖分布的PAC性能度量提出了所谓的PAC-Bayesian学习理论。该理论因其对于任意概念空间任意测度的先验均能给出泛化误差界而在人工智能不同领域的相关算法分析中得到广泛应用。文章综述了PAC-Bayesian学习理论的由来及其核心思想,进而结合大数据的特点,论述了PAC-Bayesian适合于大数据相关算法的理论分析。

英文摘要:

The theory of probably approximately correct(PAC)is a framework for the study of learnable.In recent years,researchers combined Bayesian method with distribution-free PAC guarantees and proposed so-called PAC-Bayesian learning theory.This theory can give generalization error bounds for an arbitrany prior measure on an arbitrary concept space,so it has been widely used in different fields of artificial intelligence to analyze related algorithms.This paper surveys the derivation of PAC-Bayesian learning theory and its core ideas.Further,considering the characteristics of big data,this paper discusses why PAC-Bayesian is useful for theoretical analysis of the related algorithms for big data.

同期刊论文项目
同项目期刊论文
期刊信息
  • 《山西大学学报:自然科学版》
  • 北大核心期刊(2011版)
  • 主管单位:山西省教育厅
  • 主办单位:山西大学
  • 主编:杨斌盛
  • 地址:太原市坞城路92号
  • 邮编:030006
  • 邮箱:xbbjb@sxu.edu.cn
  • 电话:0351-7010455
  • 国际标准刊号:ISSN:0253-2395
  • 国内统一刊号:ISSN:14-1105/N
  • 邮发代号:22-42
  • 获奖情况:
  • 边疆七年获山西省一级期刊荣誉(1993-1999)
  • 国内外数据库收录:
  • 俄罗斯文摘杂志,美国化学文摘(网络版),英国动物学记录,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版)
  • 被引量:5651