Natarajan dimension
PulseAugur coverage of Natarajan dimension — every cluster mentioning Natarajan dimension across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究探讨具有多个正确答案的PAC学习
一篇新研究论文探讨了PAC学习的复杂性，其中每个数据点最多可以有\ell个正确的标签。研究发现，从演示中学习（只显示一个正确标签）比从完整集合或甚至从赌博机反馈中学习更具挑战性。对于有限的标签空间，广义Natarajan维度可以表征从完整集合和赌博机反馈中学习的能力，但演示引入了一个与假设交集相关的新条件。
-
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。
-
新的自由推理维度衡量人工智能导航复杂度
研究人员引入了自由推理维度（dFI），这是元强化学习中零碰撞导航的一种新的复杂度度量。该维度被证明严格小于VC维度，并与Natarajan维度相关，它捕捉了与不可分解损失函数相关的成本。该研究还定义了一个互补的后验模式选择（PMS）识别维度，表明一种混合策略，即平均直到第一次碰撞然后切换到选择，是最优的。
-
新研究推进具有噪声容忍能力的多元线性分类器学习
两篇新研究论文探讨了多元线性分类器学习的进展，重点关注噪声容忍和乐观率。第一篇论文介绍了一种计算高效的算法，即使存在恒定速率的恶劣噪声，也能对多元线性分类器进行PAC学习，改进了现有方法。第二篇论文解决了多元学习最优超额风险理解方面的空白，提出了一种学习器，该学习器实现了依赖于预言机风险和维度的乐观率，适用于各种字母表大小，并可扩展到列表学习。