本篇论文研究可计算的 PAC 学习，着眼于强 CPAC 学习的特征及不可计算性质，提供了本领域初步的研究，并囊括了 VC 类的考虑。

Feb, 2022

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

通过将对抗性鲁棒学习简化到标准的 PAC 学习问题，即仅使用黑盒非鲁棒性学习器学习鲁棒性预测器的学习复杂度，我们提供了一个降低学习复杂度的方法，并证明了其数学上的正确性。同时，我们也给出了一个必要的下界。

Oct, 2020

本文研究了机器学习模型对抗攻击的容易受攻击性问题，并从计算学习理论的角度探究了鲁棒学习的可行性和计算复杂度，并给出了相应的计算困难性证明。

Sep, 2019

我们研究算法可复现性的计算方面，这是由 Impagliazzo、Lei、Pitassi 和 Sorrell [2022] 引入的稳定性概念。通过一系列与可学习性的统计联系的最新研究，如在线学习、私有学习和 SQ 学习，我们旨在更好地理解可复现性与这些学习范式之间的计算联系。我们的第一个结果表明，存在一个概念类，其 PAC 学习可复现且高效，但在标准的密码学假设下，不存在这个类的高效在线学习者。随后，我们设计了一个高效的可复现学习算法，用于在边际分布与均匀分布之间差异很大的情况下 PAC 学习奇偶函数，进展了 Impagliazzo 等人 [2022] 提出的问题。为了获得这个结果，我们设计了一个可复现的提升框架，受 Blanc、Lange、Malik 和 Tan [2023] 的启发，以黑盒方式将均匀边际分布上的高效可复现 PAC 学习器转化为任意边际分布上的可复现 PAC 学习器，其样本和时间复杂度依赖于分布复杂度的某个度量。最后，我们证明任何纯 DP 学习器都可以在准确性、置信度参数的多项式时间内转化为一个可复现学习器，并且与底层假设类的表示维度成指数关系。

May, 2024

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

通过两个分析设置，在考虑样本复杂度和计算复杂度的情况下，证明了强化学习目标的 PAC 可学习性。给出了三个文献中以前未知的 PAC 可学习性的目标的应用，并证明了这些目标的 PAC - 可学习性。

Mar, 2023

对于分布学习问题，我们研究了可学习性和鲁棒（或不可知）可学习性之间的关系，发现与其他学习设置（例如函数类的 PAC 学习）相反，概率分布类的可实现学习性并不意味着其不可知可学习性。我们进一步研究了什么样的数据损坏可以破坏分布类的可学习性以及该可学习性对于怎样的损坏是鲁棒的。结果表明，概率分布类的可实现学习性仅对加性损坏具有鲁棒性，而不具备对减性损坏的鲁棒性。我们还探索了与压缩方案和差分隐私可学习性相关的含义。

Jun, 2024

本文提出了一种参数化 PAC 学习理论，通过该理论可对 CNF、DNF 和图形学习等问题的可行性边界进行更精细的界定，并发展了机器学习领域的参数化固定参数学习的概念。

Apr, 2023

研究学习对抗性强预测器的问题，表明任何具有有限 VC 维度的假设类都可以通过不正确的学习规则进行强健的 PAC 学习，而不正确的学习规则是必要的，因为我们展示了具有有限 VC 维度的假设类的例子，不能通过任何正确的学习规则进行强健的 PAC 学习。

Feb, 2019