本文研究 PAC 学习半空间问题中的分类噪声并建立信息计算交换模型，给出了算法复杂度和样本复杂度之间存在固有差距，最终得到了关于统计查询算法和低次多项式测试的下限，证明了计算效率算法的样本复杂度存在基本平方依赖关系。

Jun, 2023

该论文研究了在高斯边际下以不可知方式学习半空间和 ReLU 的基本问题，证明了这些问题的统计查询下限。

Jun, 2020

研究学习理论中使用的统计查询模型在学习含有 Massart 噪声的 Halfspaces 时的有效性，并证明了已知的算法与最优界的差距，解决了一个学习理论中长期存在的难题。

Dec, 2020

本论文研究了学习具有相同未知有界协方差矩阵的分离高斯混合模型的复杂性，证明了该问题的任何统计查询算法至少需要 d 的阶次 1/ε 的复杂度，这为已知算法的最佳性提供了证据。

Jun, 2023

该研究讨论了在固定且未知的分布和自然条件下的半空间学习问题，证明了最坏情况下的性能和效率的复杂性。

May, 2015

在截断设置下，通过统计查询 (SQ) 下界和超多项式的信息计算差，我们研究了估计截断恒等协方差高斯分布的均值问题。

Mar, 2024

研究如何在噪音下进行有效的学习，在保证计算效率的前提下设计了一种主动学习算法，并根据半空间的结构进行加权和风险最小化等方法的技术优化，解决了恶意噪声等问题并且具有良好的属性效率和样本复杂度。

Jun, 2020

学习高斯协变量下的线性分类器混合问题，主要结果是一个统计查询（SQ）下界暗示已知算法对于该问题基本上是最佳的，甚至对于均匀混合的特殊情况。

Oct, 2023

研究非凸经验风险最小化法，通过多次随机初始化加优化步骤实现学习半空间和神经网络，并证明了学习数据以大于零的常数保持可分的神经网络的可学习性质，以及数据标签随机翻转的情况下的学习结果。

Nov, 2015

本文提出一种能够在存在恶意噪声的条件下有效学习欧氏空间中均匀半空间的 PAC 算法，该算法框架下的样本复杂度接近最优，主要用到了矩阵 Chernoff 型不等式和对错误噪声模型的推广。

Feb, 2021