通过确定维度来对可实现回归进行统计复杂性及在线学习进行了全面分析,并提出了与学习能力相关的维度,从而在实践和理论上取得了显著的进展。
Jul, 2023
开发了一种在没有约束条件的情况下近似计算 VC 维度的方法,该方法基于经验风险最小化学习范式,用于表征概念类的粉碎性质。
Aug, 2023
本研究提出一种新的框架,超越了传统统一收敛方法的限制,将排列不变预测器的交叉检验误差转化为高概率风险界,并通过 Haussler, Littlestone, 和 Warmuth 的一种算法在二元分类中实现了最优 PAC 界限。在多类分类、部分假设分类和实现有限的回归等三种不同场合中,我们证明了该框架的优越性能。
Apr, 2023
研究多类预测中的样本复杂度,并提出了设计 ERM 学习器的原则以及使用这些原则来证明对称的多类假说类的样本复杂度的紧束缚定理。此外,通过对 Littlestone 维度的新概括,提供了在线背景和强盗问题中多类学习的错误和遗憾界限的描述。
Aug, 2013
学习具有接近神经网络量子态的性质的量子态的鲁棒性算法,从而在样本复杂度上表现出指数级的改善。
Sep, 2023
该研究论文研究了如何通过量子状态的测量来生成假设,以指导下一次测量的选取,即减少答案预测失误率。
Feb, 2018
定义可计算的计算度量空间上二元分类的可计算 PAC 学习,提供解决 ERM 学习器可计算性的充分条件,限制 ERM 学习器的 Weihrauch 度,展示一种假设类,尽管底层类具有 PAC 可学性,但它不允许具有可计算采样函数的任何适当的可计算 PAC 学习器。
Nov, 2021
本文比较了传统和量子学习者在 Probably Approximately Correct (PAC) 框架下的生成模型能力,并构造了一类离散概率分布,通过决策 Diffie-Hellman 假设证明传统生成模型算法无法高效 PAC 学习,但我们构建了一个高效的量子学习器。同时,本文还讨论了证明经典生成建模难度结果的技术,以及布尔函数和离散概率分布的 PAC 学习性之间的关系。
Jul, 2020
提出了一种新的学习算法,利用基于 Vapnik 维度的泛化界限定了算法的误差上界,并根据学习任务的特性使用一种依赖于尺度的维度定义,获得了新的打包数边界和样本复杂度上界,进而得到了一系列关于学习性质和可学性的充分条件和必要条件。
本研究提出了一种基于 PVM 的新型量子机器学习框架,通过利用概率幅度的特性,使输出维度从 q(量子位数)扩展到 2^q,可以用于多类分类,并证明其在各种数据集上的表现均优于当前的 SOTA 方法,同时在不超过 6 个量子位的情况下,其性能比 SOTA 框架高出约 42.2%。
Oct, 2022