वैरिएंस-आधारित नियमितीकरण साथ कंक्वेक्स उद्देश्य

हम जोखिम न्यूनकरण और स्टोकास्टिक ऑप्टिमाइजेशन के लिए एक दृष्टिकोण विकसित करते हैं जो वैरिएंस के लिए एक कंक्वेक्स प्रतिनिधि प्रदान करता है, जिससे अनुमान और आकलन त्रुटि के बीच लगभग इष्टतम और संगणनात्मक रूप से कुशल व्यापार संभव हो जाता है। हमारा दृष्टिकोण वितरणीय रूप से मजबूत ऑप्टिमाइजेशन और ओवेन्स के अनुभवजन्य संभाव्यता की तकनीकों से बनता है, और हम अनुमानक के सैद्धांतिक प्रदर्शन को वर्णित करने वाले कई सीमित-नमूना और आसिम्पटोटिक परिणाम प्रदान करते हैं। विशेष रूप से, हम दिखाते हैं कि हमारी विधि के साथ इष्टता के प्रमाण होते हैं, जो (कुछ परिदृश्यों में) अनुभवजन्य जोखिम न्यूनकरण की तुलना में गति की उच्च दर प्राप्त करने में सहायक होती है, स्वचालित रूप से पूर्वाग्रह और वैरिएंस को संतुलित करके। हम समर्थनात्मक अनुभवजन्य साक्ष्य देते हैं जो दिखाते हैं कि प्रायोगिक रूप से, अनुमानक वास्तव में वैरिएंस और प्रशिक्षण नमूने पर निरपेक्ष प्रदर्शन के बीच व्यापार करता है, कई वर्गीकरण समस्याओं के लिए मानक अनुभवजन्य जोखिम न्यूनकरण की तुलना में आउट-ऑफ- नमूना (परीक्षण) प्रदर्शन में सुधार करता है।