Upper Bounds for Learning in Reproducing Kernel Hilbert Spaces for Non IID Samples

要約

この論文では、二次損失関数の最適解を近似することを目的として、一般的なヒルベルト空間におけるマルコフ連鎖ベースの確率的勾配アルゴリズムを研究します。
その収束に関して確率的な上限を確立します。
これらの結果をさらに、カーネル ヒルベルト空間を再現するオンライン正則化学習アルゴリズムに拡張します。サンプルはマルコフ連鎖軌道に沿って描画されるため、サンプルは非 i.i.d. です。
タイプ。

要約(オリジナル)

In this paper, we study a Markov chain-based stochastic gradient algorithm in general Hilbert spaces, aiming to approximate the optimal solution of a quadratic loss function. We establish probabilistic upper bounds on its convergence. We further extend these results to an online regularized learning algorithm in reproducing kernel Hilbert spaces, where the samples are drawn along a Markov chain trajectory hence the samples are of the non i.i.d. type.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google