Empirical Bernstein stopping

Volodymyr Mnih 1 Csaba Szepesvari 1 Jean-Yves Audibert 2, 3, 4, 5
1 Department of Computing Science [Edmonton]
2 CERTIS - Centre d'Enseignement et de Recherche en Technologies de l'Information et Systèmes
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]
CSTB - Centre Scientifique et Technique du Bâtiment, LIGM - Laboratoire d'Informatique Gaspard-Monge, ENPC - École des Ponts ParisTech
5 LIGM - Laboratoire d'Informatique Gaspard-Monge
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
ICML '08 Proceedings of the 25th international conference on Machine learning, Jul 2008, Helsinki, Finland. ACM, pp.672-679, 2008, 〈10.1145/1390156.1390241〉
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

Collections

ENS-PARIS | INRIA | IMAGINE | LIGM | PARISTECH | LIGM_A3SI | UNIV-MLV | UPEC-UPEM | ENPC | PSL | INRIA-ROCQ | ESIEE-PARIS

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. ACM, pp.672-679, 2008, 〈10.1145/1390156.1390241〉. 〈hal-00834983〉

Exporter

BibTeX TEI DC DCterms EndNote

Partager

Métriques

Consultations de la notice

933

Téléchargements de fichiers

456

Contact

support.ccsd.cnrs.fr
hal.support@ccsd.cnrs.fr
Logo CCSD