零经验风险归纳记忆机

训练零误差不降泛化

该归纳记忆机在保证训练集完美分类的同时不牺牲泛化能力，并可通过二次规划高效求解，适用于多种损失型学习模型。

Wang, Zhen · Bai, Lan · 邵元海

Pattern Recognition 2024

技术优势

训练误差归零

通过硬/软记忆机制强制训练样本全部正确分类，经验风险降至零。

泛化不打折

在零经验风险的同时保持良好泛化，避免以过拟合换取训练精度。

求解高效

优化问题均为二次规划，可借助成熟算法快速求解，适合实际部署。

兼容现有模型

现有泛化记忆核及对应SVM是本框架的特例，便于迁移已有方法。

应用场景

• 机器学习模型增强：为损失型模型提供零经验风险扩展，提升训练精度且不损泛化。
• 模式识别与分类器设计：提供高精度分类器训练方案，在零训练误差下保持识别性能。
• 具身智能模型训练：二次规划求解高效，可用于机器人在线学习时的快速参数更新。
• 边缘设备智能算法：算法实现为QP问题，计算代价低，适合边缘设备资源受限场景。