从带噪声示例中生成
机器学习
2025-06-11 v2 机器学习
摘要
我们延续对生成理论基础的研究，通过扩展 Kleinberg 和 Mullainathan [2024] 以及 Li 等人 [2024] 的结果来处理带噪声的示例流。 在 Kleinberg 和 Mullainathan [2024] 以及 Li 等人 [2024] 的无噪声情境中，一个对手从一个二进制假设类中选择一个假设，并提供给生成器一系列其正例。生成器的目标是最终输出新的、未被看到的正例。在带噪声的情境中，一个对手仍选择一个假设和一系列正例，但在将该序列呈现给生成器之前，插入一系列有限的负例。生成器在不知晓哪些示例是噪声的情况下，仍需最终输出新的、未被看到的正例。本文给出二进制假设类可被 noisily generatable 的必要充分条件。我们就各种关于在产生正例之前需要看多少个不同示例的约束，给出了此类条件。有趣的是，对于有限和可数个类，我们显示，尽管存在有限数量的噪声示例，生成性质基本不受其影响。
引用
@article{arxiv.2501.04179,
title = {Generation from Noisy Examples},
author = {Ananth Raman and Vinod Raman},
journal= {arXiv preprint arXiv:2501.04179},
year = {2025}
}
备注
15 pages. Accepted to ICML 2025