度量空间回归与分类准确率及稳定性的确定性界限研究

研究人员提出了一个几何框架，通过基于最坏情况噪声计算的平均核大小来量化输入与目标之间的模糊性，为有限构建数据集提供独立于模型类别的经验误差和准确率确定性非渐进界限。该框架适用于伪度量输入空间和度量目标空间的回归与分类任务，揭示了经验误差下限、准确率与稳定性权衡以及严格正的分布-训练误差间隙。实验在表格回归、图像回归和分类数据集上均验证了非平凡界限的有效性。