大数据下的PAC-Bayesian学习理论综述
文献类型：期刊论文
| 作者 | 杨雪冰 ; 张文生; 杨阳
|
| 刊名 | 山西大学学报（自然科学版）
 |
| 出版日期 | 2015 |
| 卷号 | 38期号:3页码:413-419 |
| 关键词 | Pac-bayesian界 学习理论 贝叶斯学习 大数据 |
| 英文摘要 | 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的不同领域的相关算法分析中得到广泛应用。本文综述了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。 |
| 源URL | [http://ir.ia.ac.cn/handle/173211/19677]  |
| 专题 | 精密感知与控制研究中心_人工智能与机器学习 |
| 通讯作者 | 张文生 |
| 作者单位 | 中国科学院自动化研究所 |
| 推荐引用方式 GB/T 7714 | 杨雪冰,张文生,杨阳. 大数据下的PAC-Bayesian学习理论综述[J]. 山西大学学报（自然科学版）,2015,38(3):413-419. |
| APA | 杨雪冰,张文生,&杨阳.(2015).大数据下的PAC-Bayesian学习理论综述.山西大学学报（自然科学版）,38(3),413-419. |
| MLA | 杨雪冰,et al."大数据下的PAC-Bayesian学习理论综述".山西大学学报（自然科学版） 38.3(2015):413-419. |
入库方式： OAI收割
来源：自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。