具有对抗性标签噪声的一般半空间的高效可测试学习

我们研究在对抗性标签噪声下，相对于高斯分布的一般（不一定是齐次的）半空间的可测试学习任务。在可测试学习框架中，目标是开发一个测试器-学习器，使得如果数据通过了测试器，就可以信任鲁棒学习器在该数据上的输出。我们的主要结果是首个针对一般半空间的多项式时间测试器-学习器，实现了与维度无关的误分类误差。我们方法的核心是一种将一般半空间的可测试学习归约为近乎齐次半空间的可测试学习的新方法，这可能具有更广泛的兴趣。