近日，威尼斯84881高瓴人工智能学院师生共有一篇论文被IEEE TIT录用，IEEE Transactions on Information Theory（IEEE TIT）期刊是中国计算机学会（CCF）推荐的A类期刊，是国际公认的理论计算机科学与信息论领域的顶级期刊，享有卓越的学术声誉。这是人大高瓴人工智能学院师生首次在该期刊发表论文。

论文介绍

论文题目：Optimal Rates for Agnostic Distributed Learning

作者：李健，刘勇，王伟平

通讯作者：刘勇

论文概述：现有的分布式核岭回归（DKRR）的最优泛化理论通常需要一个严苛的假设，即目标函数属于假设空间中。然而，在实际的复杂任务中，目标函数往往在假设空间之外（学习任务是不可知的）。针对该问题，本文移除了“目标函数属于假设空间”的强假设，通过细化DKRR的泛化理论分析证明DKRR在不可知情况下仍能达到最优泛化误差收敛率。具体而言，本文首先推导出对经验和期望协方差算子之间差异更为精细的估计，从而放松对目标函数的约束；然后利用额外的无标签示例减少标签无关的误差项，进一步将最优误差界扩展到更多不可知学习的情况。本文不仅推导了DKRR在期望意义下的最优泛化误差界，还证明了高概率意义下的最优泛化误差界。最后，通过理论对比、对比实验，证明了本文理论具有更好的统计适用性和计算效率。