弱监督消歧的指数收敛速率

通过监督学习实现的机器学习需要对数据进行昂贵标注。这促使了弱监督学习的发展，其中数据以不完整但具判别性的信息被标注。在本文中，我们关注部分标注——弱监督的一个实例，其中对于给定的输入，我们被给予一组潜在目标。我们回顾了一种从弱监督恢复全监督的消歧原理，并提出了一种经验消歧算法。我们在经典可学习性假设下证明了我们算法的指数收敛速率，并在实际例子上说明了我们方法的用处。