Exponential convergence of testing error for stochastic gradient methods

Loucas Pillaud-Vivien 1 Alessandro Rudi 1 Francis Bach 1
1 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, CNRS - Centre National de la Recherche Scientifique, Inria de Paris
Abstract : We consider binary classification problems with positive definite kernels and square loss, and study the convergence rates of stochastic gradient methods. We show that while the excess testing loss (squared loss) converges slowly to zero as the number of observations (and thus iterations) goes to infinity, the testing error (classification error) converges exponentially fast if low-noise conditions are assumed.
Type de document :
Communication dans un congrès
Conference on Learning Theory (COLT), Jul 2018, Stockholm, Sweden
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-01662278
Contributeur : Loucas Pillaud-Vivien <>
Soumis le : mardi 20 novembre 2018 - 11:31:07
Dernière modification le : mercredi 21 novembre 2018 - 01:18:57

Fichiers

colt2018.pdf
Fichiers éditeurs autorisés sur une archive ouverte

Identifiants

  • HAL Id : hal-01662278, version 3
  • ARXIV : 1712.04755

Collections

Citation

Loucas Pillaud-Vivien, Alessandro Rudi, Francis Bach. Exponential convergence of testing error for stochastic gradient methods. Conference on Learning Theory (COLT), Jul 2018, Stockholm, Sweden. 〈hal-01662278v3〉

Partager

Métriques

Consultations de la notice

44

Téléchargements de fichiers

16