首次给出大间隔超平面的紧致泛化界，精确刻画了边界、训练点比例等要素的关系。

Tight Generalization Bounds for Large-Margin Halfspaces

• 基于大间隔超平面设计新分析框架，突破传统边界限制。
• 在样本数、失败概率等条件下，边界与训练点占比关系达到理论最优。
• 适用于深度学习中分类器泛化能力分析，尤其关注边界优化的场景。

我们证明了首个针对大间隔超平面的泛化界，该界在边界大小、具有给定边界的训练点比例、失败概率以及训练样本数量之间的权衡上，达到了渐近紧致性。该结果首次实现了在多因素协同下的理论最优刻画，为理解大间隔分类器的泛化性能提供了坚实基础。

原文摘要 · Abstract (English)

We prove the first generalization bound for large-margin halfspaces that is asymptotically tight in the tradeoff between the margin, the fraction of training points with the given margin, the failure probability and the number of training points.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。