针对给定的二元假设类和分布，该研究提出了一种与最优算法相竞争的无偏主动学习算法，该算法在错误率为 η 的情况下只需要 O (m^* log |H|) 的查询次数，并且证明了超越 O (log |H|) 的开销是 NP 难的。

Oct, 2023

研究了高斯分布下对于无偏学习任务的查询访问权限的能力。聚焦于多指数模型（MIMs），研究表明查询访问权限在无偏学习 MIMs 方面相对于随机样本具有显著的运行时改进作用。

Dec, 2023

本论文提出了第一个适用于单调布尔函数的无偏、高效、正确的学习算法，并使用凸优化步骤增进了不正确学习算法。同时，该工作还给出了估计未知函数到单调性的距离的算法，这两个算法的运行时间及假设评估时间为 2^(Õ(√n/ε))

Apr, 2023

本论文提出了一种用于多组学习的主动学习算法，以最小化标签查询数并保持 PAC 学习保证，其中包括分类准确度，标签查询和不一致系数等关键词。

Jun, 2023

本文介绍了一种不需要保留版本空间，具有不确定性主动学习算法，并且相较于监督学习和分类，能够显着提高学习效果。

Jun, 2010

该研究首次为关于高斯边缘任意非多项式激活函数的伪装学习问题，给出了统计查询下限。通过梯度提升过程对之前的低界进行放大，对具体问题 ReLU 回归（等同于伪装学习 ReLU），我们证明任何统计查询算法都必须使用至少 2^(n^c) ε 个查询，从而阐述了与真实价值的学习问题不同的情况，我们的结果排除了一般（相对于关联）SQ 学习算法，这在实值学习问题中是不寻常的。同时我们将两种常见的学习模型，即伪装学习和概率概念之间得到了最好的规约。

Jun, 2020

定义了一个称为不可知摄影的量子学习任务，算法能够给出关于一个任意状态中近似等同于稳定子产品状态的简要描述，算法能够适应对该状态的扰动，并在多项式时间内运行。

Apr, 2024

通过对多个带敏感性群体的个体进行损失度量，本文提出了用于处理公平性关切的多组无知 PAC 可学习性算法，该算法可以保证在涵盖多个不同的群体时仍能保证所学分类器表现一致，通过联合和扩展以前针对特定损失函数的多组公平性文献中的研究，为包含敏感性群体的学习提供了一个统一的视角。

May, 2021

该研究提出了一种基于混合客户端分布的不可知联合学习框架，以增加对客户端的公正性，并给出了一种快速的、随机的最优化算法，以用于其目标下的联合学习。

Feb, 2019

本文提出了一种学习带有随机分类噪声下奇偶函数的略微次指数时间算法，并给出了有关在 PAC（Probably Approximately Correct）模型中证明不可学习概念类别的噪声容错算法。同时，对于 Kearns 的统计查询模型可证明不可学习的概念类，我们给出了一种有效的噪声容错算法。此外，文章还探讨了基于统计查询模型扩展到 t 元组查询的情况，从而证明该扩展不会增加可弱学习函数的集合。

Oct, 2000