Empirical Bernstein stopping

Volodymyr Mnih 1 Csaba Szepesvari 1 Jean-Yves Audibert 2, 3, 4, 5
3 WILLOW - Models of visual object recognition and scene understanding
DI-ENS - Département d'informatique de l'École normale supérieure, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
4 IMAGINE [Marne-la-Vallée]
LIGM - Laboratoire d'Informatique Gaspard-Monge, CSTB - Centre Scientifique et Technique du Bâtiment, ENPC - École des Ponts ParisTech
Abstract : Sampling is a popular way of scaling up machine learning algorithms to large datasets. The question often is how many samples are needed. Adaptive stopping algorithms monitor the performance in an online fashion and they can stop early, saving valuable resources. We consider problems where probabilistic guarantees are desired and demonstrate how recently-introduced empirical Bernstein bounds can be used to design stopping rules that are efficient. We provide upper bounds on the sample complexity of the new rules, as well as empirical results on model selection and boosting in the filtering setting.
Type de document :
Communication dans un congrès
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger

https://hal-enpc.archives-ouvertes.fr/hal-00834983
Contributeur : Pascal Monasse <>
Soumis le : mardi 18 juin 2013 - 14:46:49
Dernière modification le : jeudi 7 février 2019 - 15:49:18
Document(s) archivé(s) le : jeudi 19 septembre 2013 - 04:08:00

Fichier

ICML08b.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Citation

Volodymyr Mnih, Csaba Szepesvari, Jean-Yves Audibert. Empirical Bernstein stopping. ICML '08 Proceedings of the 25th international conference on Machine learning, Jul 2008, Helsinki, Finland. pp.672-679, ⟨10.1145/1390156.1390241⟩. ⟨hal-00834983⟩

Partager

Métriques

Consultations de la notice

938

Téléchargements de fichiers

493