论文研究 基于Laplacian流形正则器的数据稀疏度的分位数回归。

在本文中，我们考虑在数据相关的假设空间中基于l1-regularizer和弹球损失的正则化学习方案。 目标是分位数回归学习的误差分析。 除了连续性和有界性之外，内核函数没有任何正则化条件。 基于图的半监督算法会导致一个额外的误差项，称为流形误差。 新的错误边界和收敛速度的一部分是使用由l1经验覆盖数和边界分解组成的技术精确得出的。