研究者修正 Feldman 记忆下界

Zhenisbek Assylbekov 与 Rustem Takhanov 发表论文，对 Feldman 记忆下界的条件形式和平均形式给出三点反例。他们使用独立公平标签和置换等变学习器，证明所提惩罚与实际超额风险之比可随采样先验指数增长，从而排除了存在通用正常数因子修正的可能。 在保留原模型的前提下，作者用全样本后验概率给出了精确替代，并刻画了在无限制学习器下仅依赖重数系数的最大有效范围。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。