典型文献
本体学习算法的两类LOO一致稳定性和广义界
文献摘要：
近年来,随着本体研究的深入,各类机器学习方法被尝试应用于本体相似度计算和本体映射获取.稳定性是本体学习算法的必要条件,它从本质上体现了算法的可用性,即要求本体学习算法的最优解不会受到本体样本的小幅度调整而发生大的变化.本文研究了删除一个本体样本点的条件下,对本体学习算法的期望误差与经验误差的差值产生的影响.分别在本体学习算法一致稳定和假设空间一致稳定两种不同的框架下,利用统计学习理论的技巧,得到对应广义界的上界估计.
文献关键词：
本体;机器学习;稳定性;广义界;本体数据依赖函数;本体样本依赖假设集;拉德马赫复杂度;经验拉德马赫复杂度
中图分类号：
作者姓名：
朱林立;华钢;高炜
作者机构：
中国矿业大学 信息与控制工程学院,江苏 徐州 221116;江苏理工学院 计算机工程学院,江苏 常州213001;云南师范大学 信息学院,云南 昆明 650500
文献出处：
引用格式：
[1]朱林立;华钢;高炜-.本体学习算法的两类LOO一致稳定性和广义界)[J].智能系统学报,2022(03):471-479
A类：
本体相似度,本体数据依赖函数,本体样本依赖假设集,拉德马赫复杂度,经验拉德马赫复杂度
B类：
LOO,一致稳定性,广义界,本体研究,机器学习方法,相似度计算,体映射,上体,可用性,即要,最优解,小幅度,删除,样本点,统计学习,学习理论,上界估计
AB值：
0.269271
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
