ت guarantees عامة عالمية للنماذج القوية المعتمدة على توزيع وايزرشتاين

ظهر تحسين المرونة المعتمدة على التوزيع كطريقة جذابة لتدريب نماذج تعلم آلي قوية، مما يلتقط عدم اليقين في البيانات وتحولات التوزيع. لقد أثبتت التحليلات الإحصائية الحديثة أن الضمانات العامة للنماذج القوية المستندة إلى مسافة وايزرشتاين تتمتع بضمانات عامة لا تعاني من لعنة الأبعاد. ومع ذلك، فإن هذه النتائج إما تقريبية، أو تم الحصول عليها في حالات محددة، أو مستندة إلى افتراضات من الصعب التحقق منها في الممارسة العملية. على النقيض، نقوم بتأسيس ضمانات عامة دقيقة تغطي مجموعة واسعة من الحالات، مع تكاليف نقل تعسفية ودوال خسارة بارامترية، بما في ذلك أهداف التعلم العميق مع تفعيل غير منتظم. نكمل تحليلاتنا بحد زائد على الهدف القوي وتوسيع النماذج القوية المعتمدة على وايزرشتاين مع تنظيمات إنتروبية.