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

在本文中，我们探讨了在二分类的 PAC 学习中，是否有比经验风险最小化（ERM）更弱的预测力量仍然能够实现学习，结果表明只需多项式代价就可以使用我们的更弱预测力量来学习概念类，同时也满足了 Alon 等人提出的对于有效性学习的算法原则的要求。

Jun, 2024

本文证明了多分类问题的效率最优解必须是不正确的，并提出了一种基于 generalized linear classifiers 的效率最优解的算法。

May, 2014

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

多分布学习中的自适应采样算法解决了最坏情况风险最小化问题，并提供了样本复杂度的最优解，同时证明了随机化的必要性。

Dec, 2023

这篇论文研究多分布学习，给出了一个样本复杂度为 $\widetilde {O}((d+k)\epsilon^{-2}) \cdot (k/\epsilon)^{o (1)}$ 的算法，解决了 COLT 2023 的开放问题。

Dec, 2023

通过交错标注和学习的过程，可以在更少的标注成本下实现计算效率，以高精度去标记收集的数据，从而进行有效的学习算法。

Mar, 2017

本文研究多标记问题的通用经验风险最小化框架，提出了一种简单的框架，能高效地解决数据中存在缺失标记和标记量极大的问题。通过特定损失函数的结构，基于该框架设计了有效算法，进一步证明了该框架在存在缺失标记时的形式化过度风险边界。此外，对于低秩促进的迹 - 范数正则化，我们的风险界更紧，表现出更好的泛化性能。最后，在各种基准数据集上进行实验，证明了本方法的优越性以及其可扩展性。

Jul, 2013

研究了一种近期的协作 PAC 学习模型，在这个模型下，k 个执行 k 个不同任务的参与者协作学习单个工作于所有任务的分类器。该研究设计了新算法，其中的样本复杂度仅为学习单个任务的最坏情况样本复杂度的 O (ln (k)) 倍，样本复杂度的上界与之前的算法匹配，并且在某些参数范围内甚至比允许输出不同分类器以适用于不同任务的先前算法更好。

May, 2018

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