从平均情况复杂度到不当学习复杂度
用量子 Coupon Collector 问题,作者研究了 PAC 学习模型中的正确学习和错误学习,发现其样本复杂性。进而提出了量子 Coupon Collector 问题的解算法,并设计了量子 Padded Coupon Collector 问题,并证明了经典 Coupon Collector 问题和量子 Padded Coupon Collector 问题在样本复杂性上存在渐进性差异。
Mar, 2024
根据合理的密码学假设,我们展示了一个概念类别,该类别允许在多项式时间内以多项式错误边界运行的在线学习器,但不存在计算效率高的差异隐私 PAC 学习器。
Feb, 2024
本文提出了一种参数化 PAC 学习理论,通过该理论可对 CNF、DNF 和图形学习等问题的可行性边界进行更精细的界定,并发展了机器学习领域的参数化固定参数学习的概念。
Apr, 2023
我们研究了在分布无关的对抗性健壮 PAC 模型中半空间的计算复杂度,重点研究了 L_p 扰动。我们提出了一种计算有效的学习算法和一种几乎匹配的计算难度结果。我们发现的一个有趣的含义是,L_∞扰动的情况被证明比 2≤p<∞的情况更加计算上困难。
Jul, 2020
讨论分布式数据的 PAC 学习问题,分析了涉及的基本通信复杂性问题,包括教学维度和错误绑定。针对特定概念类别,如合取、奇偶函数和决策列表等,给出上下界限。讨论了如何通过增强来在分布式环境下进行一般性通信,以及如何在不确定环境下实现低通信回归。同时,还考虑了隐私性,包括差分隐私和分布式隐私。
Apr, 2012
自然证明能够推导有效学习算法的条件在分布式 PAC 学习模型中得以推广,证明了我们的主要结果,以及对深度 - 2 多数电路、多面体和自然目标分布中的 DNFs 的分布式 PAC 学习算法的应用以及通过深度 - 2 多数电路评估的编码输入弱 PRF 的不存在性。
Oct, 2023
本文提出一种基于 PAC 学习框架的约束学习方法,该方法通过对经验风险最小化规则进行约束来解决分类问题中的偏差、不公平和不稳定性等问题,研究表明该方法能够实现约束学习的泛化。
Jun, 2020