Key points are not available for this paper at this time.
우리는 대부분의 잘 알려진 손실 함수의 경험적 위험이 모든 레이블을 집계하는 선형 항과 레이블이 자유로운 항으로 분해된다는 것을 증명합니다. 이는 비부드럽고 비볼록 손실 및 모든 RKHS에서도 성립합니다. 첫 번째 항은 (커널) 평균 연산자로, 이 연구의 초점인 수량으로, 레이블에 대한 충분한 통계량으로 특징지어집니다. 이 결과는 알려진 일반화 경계를 강화하고 그 해석에 대한 새로운 통찰을 제공합니다. 분해는 약한 감독 학습에 직접적인 응용이 있습니다. 특히, 우리는 SGD 및 근접 방법과 같은 알고리즘이 평균 연산자가 추정된 후 최소한의 노력으로 약한 감독을 처리할 수 있도록 조정될 수 있음을 보여줍니다. 우리는 비대칭 잡음 레이블을 사용하여 학습하는 아이디어를 이 연구에 적용하여 이전 연구와 연결하고 확장합니다. 더 나아가, 우리는 대부분의 손실이 데이터에 의존하는 (평균 연산자에 의해) 잡음 견고성 형태를 즐긴다는 것을 보여주며, 이는 알려진 부정적인 결과와 대조됩니다.
Patrini 외(2016)는 이 문제를 연구했습니다.