数学において、被覆数とは、ボール同士が重なり合う可能性のある状態で、与えられた空間を完全に覆うために必要な、与えられたサイズのボールの数です。被覆数は集合の大きさを定量化し、一般的な距離空間に適用できます。関連する 2 つの概念は、パッキング数(空間に収まる互いに素なボールの数) と、距離エントロピー(一定の最小距離だけ離れているように制約されたときに空間に収まる点の数) です。
意味
( M , d ) を距離空間、K をMのサブセット、r を正の実数とします。B r ( x )はxを中心とする半径rの球を表します。 MのサブセットCがKのr 外部被覆である場合、次のようになります。
。
言い換えると、任意の に対してとなるものが存在する。



さらにC がKのサブセットである場合、それはr 内部被覆です。
Kの外部被覆数 は、Kの任意の外部被覆の最小濃度です。内部被覆数 は、 任意の内部被覆の最小濃度です。


Kの部分集合Pがパッキングであるとは、集合が対ごとに素である場合です。Kのパッキング数はと表記され、 Kのパッキングの最大濃度です。



Kの部分集合Sがr分離しているとは、 S内の各点xとyのペアがd ( x , y ) ≥ r を満たす場合です。Kのメトリックエントロピーは と表記され、 Kのr分離部分集合の最大濃度です。

例
- 計量空間は実数直線 です。は絶対値が最大 である実数の集合です。すると、長さ の区間の外部被覆が存在し、区間 を被覆します。したがって、





![{\displaystyle [-k,k]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ac8d6f15ecd1a2e1327d4887e29bc0460306355b)

- 計量空間は、ユークリッド計量を持つユークリッド空間 です。は、長さ (ノルム) が最大 であるベクトルの集合です。が のd次元部分空間にある場合、次のようになります。[1] : 337




。 - 計量空間は、 l-無限計量を持つ実数値関数の空間である。被覆数は、 が存在する最小の数であり、すべての に対してが存在し、 との間の最大距離が最大で である。空間は -次元であるため、上記の境界は関係ない。しかし、 がコンパクト集合である場合、そのすべての被覆は有限の部分被覆を持つため、 は有限である。[2] : 61











プロパティ
- 内部被覆数と外部被覆数、パッキング数、計量エントロピーはすべて密接に関連している。次の不等式連鎖は、計量空間の任意の部分集合Kと任意の正の実数rに対して成立する。[3]

- 内部被覆数を除く各関数はrで非増加、 Kで非減少です。内部被覆数はrで単調ですが、 Kでは必ずしも単調ではありません。
以下の性質は、標準ユークリッド空間における被覆数に関係する:[1] :338
- 内のすべてのベクトルが定数ベクトルによって変換される場合、被覆数は変化しません。


- 内のすべてのベクトルにスカラーを掛けると、次のようになります。


- 全員:


- 内のすべてのベクトルがリプシッツ定数を持つリプシッツ関数によって演算される場合、次のようになります。

- 全員:


機械学習への応用
を実数値関数の空間とし、l-無限計量を持つものとする(上の例3を参照)。 内のすべての関数が実定数 で制限されると仮定する。すると、
からの学習関数の一般化誤差を、損失の二乗に対して制限するために被覆数を使うことができる: [2] : 61 


![{\displaystyle \operatorname {Prob} \left[\sup _{h\in K}{\big \vert }{\text{GeneralizationError}}(h)-{\text{EmpiricalError}}(h){\big \vert }\geq \epsilon \right]\leq N_{r}^{\text{int}}(K)\,2\exp {-m\epsilon ^{2} \over 2M^{4}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/820ca590deb26321d7203386626ebb67fde35a11)
ここで、およびはサンプル数です。


参照
参考文献
- ^ ab Shalev-Shwartz, Shai; Ben-David, Shai (2014).機械学習を理解する - 理論からアルゴリズムまでケンブリッジ大学出版局. ISBN 9781107057135。
- ^ ab 毛利、メリヤル;ロスタミザデ、アフシン。タルウォーカー、アメート (2012)。機械学習の基礎。米国、マサチューセッツ州:MIT Press。ISBN 9780262018258。
- ^ Tao, Terence. 「和集合理論の計量エントロピー類似体」 。 2014年6月2日閲覧。