PulseAugur
中
实时 11:59:57
English(EN) Recursively Enumerably Representable Classes and Computable Versions of the Fundamental Theorem of Statistical Learning

新研究探讨可计算学习与RER类

作者 PulseAugur 编辑部 · [1 个来源] ·

本文探讨了可计算的概率近似正确（CPAC）学习，重点关注当学习者必须是可计算函数时，统计学习基本定理如何变化。研究人员引入了有效VC维度，以在该设置中恢复定理的类似物。该研究调查了CPAC学习与递归可枚举表示（RER）类之间的关系，证明了即使对于RER类，有效VC维度也可能差异很大。研究结果还表明，CPAC可学习性可以通过包含产生相同样本的RER类来表征，并且具有唯一识别属性的CPAC可学习类必然是RER类。此外，本文还通过非均匀CPAC学习的概念，确立了RER类的不可知可学习性是可实现的。 AI

影响 这项研究推进了对可计算学习的理论理解，可能影响需要计算保证的未来AI算法的设计。

排序理由 该集群包含一篇在arXiv上发表的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新研究探讨可计算学习与RER类

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · David Kattermann, Lothar Sebastian Krapp ·

    Recursively Enumerably Representable Classes and Computable Versions of the Fundamental Theorem of Statistical Learning

    arXiv:2511.02644v2 Announce Type: replace Abstract: We study computable probably approximately correct (CPAC) learning, where learners are required to be computable functions. It had been previously observed that the Fundamental Theorem of Statistical Learning, which characterize…

相关实体

相关话题