研究揭示多分类学习中正则化与恰当学习的理论极限

2026年11月5日，发表于arXiv的统计学习理论一手研究否定了多分类学习可归结为适定学习或被正则化完全刻画的假设，解决了该领域的三个开放问题。研究证实，在多分类学习中，扩大假设类无法消除不适定性，且适定学习在 $m$ 个样本上必须承受 $o(m)$ 尺度的训练误差。此外，研究还表明结构风险最小化（SRM）与局部正则化均不是通用学习器，无法覆盖所有可学习类，说明多分类学习难以形成统一的通用算法原则。

AI 根据报道生成 · 44 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。