arXiv上发表的两篇新研究论文介绍了用于高斯分布下多类线性分类的新型算法。第一篇论文侧重于在维度无关的误差保证下实现多项式时间鲁棒学习，解决了先前工作中针对三个或更多类别的局限性。第二篇论文提出了一种高效且容忍噪声的PAC学习算法，用于多类线性分类器，即使数据被恶意损坏也能适用，比现有方法有所改进。 AI
影响 这些论文在多类分类的机器学习算法方面引入了理论上的进步，有可能提高未来应用的效率和鲁棒性。
排序理由 arXiv上发表的两篇学术论文为特定的机器学习任务提出了新算法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
We study the task of agnostic learning of multiclass linear classifiers under the Gaussian distribution. Given labeled examples $(x, y)$ from a distribution over $\mathbb{R}^d \times [k]$, with Gaussian $x$-marginal, the goal is to output a hypothesis whose error is comparable to…
Noise-tolerant PAC learning of linear models has been of central interests in machine learning community since the last century. In recent years, many computationally-efficient algorithms have been proposed for the problem of learning linear threshold functions under multiple noi…