平滑在线分类可能比批量分类更难

我们研究在平滑对手下的在线分类。在此设置中，在每个时间点，对手从一个分布中抽取一个样本，该分布相对于一个固定的基测度具有有界密度，且该基测度是学习器事先已知的。对于二分类和标量值回归，先前的工作表明，平滑在线学习与PAC模型下的独立同分布批量学习一样容易。然而，我们表明，当标签空间无界时，平滑在线分类可能比独立同分布批量分类更难。特别地，我们构造了一个在PAC模型下的独立同分布批量设置中可学习，但在平滑在线模型下不可学习的假设类。最后，我们确定了一个条件，该条件确保假设类的PAC可学习性足以保证其平滑在线可学习性。