Hanneke
PulseAugur coverage of Hanneke — every cluster mentioning Hanneke across labs, papers, and developer communities, ranked by signal.
-
研究人员发现确定性与随机性方法在人工智能学习复杂度上存在指数级差距
研究人员在处理未知顺序的阈值时，发现了确定性和随机性方法在线学习复杂度上的指数级差距。Attias、Hanneke 和 Ramaswami 在 NeurIPS 2025 上发表的一项研究表明，确定性学习者需要 T（或 T-epsilon）次预言机调用和错误，而随机性学习者两者都能达到对数界限。这种分离取决于一致性类型 ERM 预言机使用的特定规则，不同的规则会导致不同的性能结果。
-
两篇论文解决了加权数据选择线性回归中的开放性问题
arXiv上发表的两篇新论文解决了加权数据选择线性回归中的开放性问题。第一篇论文解决了COLT 2025上提出的一个阈值问题，证明了$(m+1)d$个加权样本对于恢复向量值线性回归中的全数据损失是精确足够的。第二篇论文确定了线性回归中加权数据选择的精确风险比，包括几种情况，例如确认了$F_w(d, 2d-1) = 1 + 1/d$的说法，并提供了$F_w(3,4)$和$F_w(4,5)$的新值。两篇论文都引入了新的上界技术，并为它们的…
-
新算法提升学习模型的对抗鲁棒性
研究人员开发了一种新算法，显著提高了学习对对抗样本具有鲁棒性的预测器的能力。该方法在VC维度上实现了线性样本复杂度，比之前的界限有了指数级的改进。该算法将自举聚合（bagging）与鲁棒经验风险最小化（RERM）相结合，在多个自举样本上计算RERM并输出其多数投票。一个互补的下界表明，这种方法对于在此模型中学习是必需的。
-
新研究将单实例学习率与直接和率解耦
Hanneke、Moran 和 Waknine 的一篇新研究论文探讨了机器学习中不可知 PAC 学习曲线与直接和之间的关系。研究表明，单个实例的学习率并不决定直接和率。具体来说，该论文分析了两类函数 F 和 G，它们都表现出 n^{-1/2} 阶的不可知学习曲线，以说明这一原理。
-
L_p空间中部分概念类的新VC维度界限
研究人员已将VC维度的概念扩展到部分函数，特别关注实数Banach空间中的几何部分概念类（PCCs）。他们为L_p空间中扩展球的VC维度建立了无维度的上界，这些上界独立于环境维度和底层测度空间。这些发现建立在欧几里得空间先前工作的基础上，并包括匹配的下界以及L_p空间中新的稠密邻域引理，利用了泛函分析技术和一个无维度的Radon定理。
-
新研究证明了多类学习的最优样本复杂度
研究人员解决了关于多类分类问题最优样本复杂度的一个长期存在的问题。他们的工作将DS维度与超图密度联系起来，证明了Daniely和Shalev-Shwartz的猜想。这一突破确定了样本复杂度对多类和列表学习场景的DS维度的精确依赖关系。