机器学习的H-一致性界限

本文介绍了并分析了H-一致性界限，这是一种理解机器学习中替代损失函数和目标损失函数之间关系的新方法。它提供了比贝叶斯一致性和H-校准等现有方法更强的保证，提供了对模型性能的更具信息量的视角。这项工作意义重大，因为它解决了机器学习中的一个基本问题：训练期间优化的损失与实际任务性能之间的差异。本文的综合框架以及对各种替代损失（包括用于对抗性设置的损失）的明确界限是宝贵的贡献。对增长率和可最小化间隙的分析进一步有助于替代选择和理解模型行为。