Limiti di generalizzazione basati su operatori per l'apprendimento multi-task profondo

Un recente articolo su arXiv (2512.19184) presenta limiti di generalizzazione basati sulla teoria degli operatori, specificamente progettati per reti neurali a valori vettoriali e metodi kernel profondi, con particolare attenzione all'apprendimento multi-task. I ricercatori integrano un framework basato sull'operatore di Koopman con metodi consolidati per offrire garanzie più stringenti rispetto ai tradizionali limiti basati su norme. Per affrontare le difficoltà computazionali, utilizzano tecniche di sketching per reti neurali a valori vettoriali, ottenendo limiti di rischio in eccesso applicabili sotto perdite di Lipschitz generiche per scenari come la regressione robusta e quantilica multipla. Inoltre, introducono spazi di Hilbert a riproduzione kernel profondi a valori vettoriali (vvRKHS) che utilizzano operatori di Perron-Frobenius (PF), migliorando i metodi kernel profondi stabilendo un nuovo limite di generalizzazione di Rademacher.