Littlestone dimension
PulseAugur coverage of Littlestone dimension — every cluster mentioning Littlestone dimension across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究将伽罗瓦理论与最优机器学习策略联系起来
一篇新研究论文探讨了从其作用学习群元素的理论基础，将伽罗瓦理论与经验风险最小化（ERM）等机器学习概念联系起来。该研究表明，对于某些群结构，ERM是一种最优学习策略，能够达到最佳的样本复杂度。它还引入了一个新的不变量——Natarajan维度，该维度被证明与可解伽罗瓦群的群论性质一致，并确定A5群是第一个在这些维度之间存在差距的群。
-
新的对抗性在线分类模型使用数据预览
研究人员开发了一种新的对抗性在线分类模型，该模型利用标记数据的预览来提高性能。这种方法解决了最坏情况在线分类的挑战，即使对于简单的类别，最坏情况在线分类也是不可能的。通过在预测开始前显示一部分标记序列，该模型可以实现依赖于统计维度而非序列复杂度的界限，有效地用经典的统计维度取代了最坏情况的序列复杂度。
-
新框架通过在线思维链验证增强LLM的可靠性
研究人员开发了一个新的在线学习思维链验证器框架，旨在提高大型语言模型（LLMs）的可靠性。该方法解决了当验证器指导LLM生成时发生的分布偏移挑战。该研究引入了Littlestone维度的 novel 扩展来表征错误界限，并提供了最小化不对称成本的最优算法。学习到的验证器可以提高多个弱生成器的准确性，并使它们能够产生超出其初始训练范围的输出。
-
新研究探讨策略分类的随机算法
一篇新发表在arXiv上的研究论文介绍了用于在线策略分类的新型随机算法。该研究探讨了智能体策略性地改变其特征以影响预测的设置，旨在改进错误或遗憾界限。该论文提供了第一个适用于可实现设置中随机学习器的下界，以及一个在不可知设置中实现最优遗憾上界的非正规随机学习器。