大数据下的PAC-Bayesian学习理论综述

CASIA OpenIR > 多模态人工智能系统全国重点实验室 > 人工智能与机器学习（杨雪冰）-技术团队

	大数据下的PAC-Bayesian学习理论综述
	杨雪冰; 张文生; 杨阳
发表期刊	山西大学学报（自然科学版）
	2015
卷号	38 期号:3 页码:413-419
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。
其他摘要	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 has been widely used in different fields of Artificial Intelligence to analyze related algorithms for the given generalization error bounds can apply to an arbitrary prior measure on an arbitrary concept space. 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.
关键词	Pac-bayesian界学习理论贝叶斯学习大数据
文献类型	期刊论文
条目标识符	http://ir.ia.ac.cn/handle/173211/19677
专题	多模态人工智能系统全国重点实验室_人工智能与机器学习（杨雪冰）-技术团队
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.

条目包含的文件		下载所有文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
大数据下的PAC-Bayesian学习理（748KB）	期刊论文	作者接受稿	开放获取	CC BY-NC-SA	浏览下载