学者提出自适应缺失质量估计框架

2026年11月2日，Vitaly Feldman等人在arXiv计算机科学机器学习领域发表研究，提出了数据依赖事件概率估计的统一框架。该框架涵盖缺失质量、自适应数据分析目标及数据训练预测器测试误差等核心内容。研究指出，实证插值估计器的误差即为泛化间隙，可直接应用泛化界；而留一估计器对应Good–Turing估计器，适用于单点删除稳定映射。主要应用于结合基础分类器与记忆例外的预测器误差估计，其中测试误差即基础分类器错误区域内的受限缺失质量。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。