We show strong (and surprisingly simple) lower bounds for weakly learning
intersections of halfspaces in the improper setting. Strikingly little is known
about this problem. For instance, it is not even known if
通过对未知对称一维对数凹分布的 d 维空间的 d 倍积的未知仿射变换的环境分布内带有一定间距的高维半空间的多项式时间学习算法，从一个组分分布的数据中删除至少一个 ε 分数的数据引入了半空间。值得注意的是，我们的算法不需要标签，并在这种分布假设下确立了隐藏半空间的独特性（以及高效性）。该算法的样本和时间复杂度在维度和 1/ε 上是多项式的。该算法只使用经验分布的适当重新加权的前两个矩，我们称之为对比矩；其分析使用了关于广义狄利克雷多项式的经典事实，并且关键地依赖于对对数凹分布截断的矩比的新的单调性属性。此前的研究处理了当底层分布是通过非高斯成分分析来进行的非高斯分布的特殊情况。我们通过提供基于总变分距离而不是现有的可以是超多项式的矩边界保证，改进了这一点。我们的工作也是在这个设置中首次超越高斯分布。