New Approaches to Statistical Learning Theory

Bousquet, O

doi:10.1007/BF02530506

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben

Zeitschriftenartikel

New Approaches to Statistical Learning Theory

MPG-Autoren

/persons/resource/persons83824

Bousquet, O
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;
Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

https://link.springer.com/content/pdf/10.1007%2FBF02530506.pdf
(Verlagsversion)

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Bousquet, O. (2003). New Approaches to Statistical Learning Theory. Annals of the Institute of Statistical Mathematics, 55(2), 371-389. doi:10.1007/BF02530506.

Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-DD72-D

Zusammenfassung

We present new tools from probability theory that can be applied to
the analysis of learning algorithms. These tools allow to derive new
bounds on the generalization performance of learning algorithms and to
propose alternative measures of the complexity of the learning task,
which in turn can be used to derive new learning algorithms.