摘要：该文首先概述数据驱动的机器学习模型(data-drivenmodel,DDM)的有关理论研究成果。在此基础上,论证数据–知识融合的学习模型(knowledge-guiding&data-drivenmodel,KDM)在问题的局部学习空间和全域学习空间的泛化性能。结果表明,在有限样本和一定的假设前提下,KDM在局部学习空间的泛化误差以接近概率1收敛于某泛化误差界;在全域学习空间的泛化误差以概率1-δ收敛于某泛化误差界,该界比DDM的泛化误差上界更紧。因此,与单纯DDM相比,KDM的学习过程更加高效、可靠,能够更好地应对实际问题中的少样本学习问题。

关键词：机器学习 泛化风险 统计学习理论 数据驱动 知识引导 

单位：电力系统及发电设备控制和仿真国家重点实验室(清华大学); 北京市海淀区100084; 中国电力科学研究院有限公司; 北京市海淀区100192; 华北电力大学; 北京市昌平区102206