寻找见证或粉碎：可计算 PAC 学习的图景
计算复杂性
2023-02-24 v2 机器学习
逻辑
机器学习
摘要
本文通过解决近期论文中的三个开放问题，推进了对 CPAC 可学习性（PAC 学习的可计算版本）的研究。首先，我们证明每个不properly CPAC 可学习的类都包含在一个以多项式样本复杂度 properly CPAC 可学习的类中。这证实了 Agarwal 等人（COLT 2021）的猜想。其次，我们展示存在一个可判定的假设类，它是 properly CPAC 可学习的，但仅以不可计算快速增长样本复杂度为代价。这解决了 Sterkenburg（COLT 2022）中的一个问题。最后，我们构造了一个有限 Littlestone 维的可判定类，它不可 improperly CPAC 学习，强化了 Sterkenburg（2022）的近期结果并回答了 Hasrati 和 Ben-David（ALT 2023）提出的一个问题。结合先前的工作，我们的结果为 CPAC 设定下的可学习性问题提供了完整的图景。
引用
@article{arxiv.2302.04731,
title = {Find a witness or shatter: the landscape of computable PAC learning},
author = {Valentino Delle Rose and Alexander Kozachinskiy and Cristobal Rojas and Tomasz Steifer},
journal= {arXiv preprint arXiv:2302.04731},
year = {2023}
}
备注
12 pages, 1 figure (corrected version)