probably approximately correct learning
PulseAugur coverage of probably approximately correct learning — every cluster mentioning probably approximately correct learning across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
NVIDIA成立PAC以增强其在华盛顿特区的AI芯片影响力 · 跟踪3个来源
领先的AI芯片制造商NVIDIA已成立一个政治行动委员会（PAC），以增强其在华盛顿特区的影响力。此举标志着该公司正努力更直接地参与政治进程，并塑造与技术行业相关的政策。作为AI行业日益核心的公司，NVIDIA成立PAC，凸显了大型科技公司与政治游说之间日益增长的交集。
-
新理论将人工智能对齐视为未知奖励下的学习
研究人员开发了一个新的理论框架，用于理解和实现生成模型中的对齐，特别是在奖励函数未知的情况下。该方法将对齐视为一个从弱到强的学习问题，专注于在没有预先存在的奖励估计的情况下从数据中学习。该理论的核心引入了一个名为“对齐维度”的新概念，它决定了一个奖励类别是否可用于对齐目的。提出的学习过程利用普通单包含图算法来比较标签集并建立对齐可学习性的完整表征。
-
Overland AI成立PAC以促进政治言论
Overland AI是一家专门为国防部制造自动驾驶汽车的公司，现已成立一个政治行动委员会（PAC）。此举旨在促进公司参与政治言论和倡导活动。
-
新研究表明正确数据会损害机器学习模型性能
研究人员发现了一种现象，即向训练集中添加正确数据会适得其反地损害机器学习模型的性能。当一个单调的对手附加更多正确标记的示例时，就会发生这种情况，这可能会导致模型的错误率超出干净数据所预期的水平。该研究引入了学习器的插入稳定性概念，该概念保证了对这种对手的免疫力，确保额外的正确数据只会提高或保持性能。研究强调，学习算法与数据类别之间的匹配度对于避免这些负面影响至关重要。
-
量子示例在学习方面比经典示例具有明显的优势
研究人员在PAC学习框架中展示了量子示例和经典示例之间的区分。他们使用一个假设的预言机，证明了能够访问量子示例的量子学习者可以有效地学习某些仅使用经典示例的量子学习者无法学习的分布。这项工作在回答量子示例是否在机器学习任务中比经典示例具有明显优势的问题上取得了进展。
-
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。
-
Tsybakov噪声下的机器学习误差保证问题已解决
研究人员解决了机器学习中一个长期存在的关于Tsybakov噪声下最优误差保证的公开问题。他们的新算法根据噪声水平自适应地划分实例空间，实现了与已知最优下界相匹配的改进上限。这项工作建立在近期非可实现学习研究进展的基础上，并确立了在Tsybakov噪声存在下学习的最优误差保证。
-
新的最优无差别PAC算法匹配理论学习界限
研究人员开发了一种最优无差别PAC算法，该算法能够从独立同分布样本中学习，并达到统计最优风险界限。该新算法匹配了现有的无差别PAC学习的下界，将样本复杂度问题确定到通用常数。这项工作建立在模式识别的基础理论之上，并得到了各种学术和代码共享平台的支持。
-
新研究探讨Cressie--Read散度下的鲁棒PAC学习
研究人员发表了一篇论文，详细介绍了分布鲁棒PAC学习的样本复杂度，特别关注Cressie--Read散度。该研究为具有VC维的假设类建立了新的界限，展示了对抗性扰动如何影响学习率。研究结果揭示了统计误差估计与鲁棒性放大之间复杂的相互作用，尤其是在agnostic学习的情况下。
-
新的 PAC 学习方法用于具有私有信息的随机博弈
研究人员开发了一种新的方法，用于在具有可达性目标的轮流随机博弈 (TBSGs) 中进行 PAC 学习。这项工作引入了一种允许去中心化学习（玩家不共享相同的学习算法）和私有信息学习（不与其他玩家共享）的方法。该研究还提出了期望条件距离 (ECD) 参数的一种博弈论推广，用于衡量到达目标集的时间期望，并建立了多项式样本复杂度界限。
-
量子机器学习在可证明的学习分离方面超越经典方法
研究人员展示了在预测量子多体系统时间演化方面的可证明学习分离。该研究发表在arXiv上，概述了一个监督学习问题，其中量子机器学习可以从短时间训练样本中有效地学习未知的哈密顿量。这与经典算法形成对比，经典算法面临计算上的困难，除非BQP包含在P/poly中，这突显了基于哈密顿量演化的自然机器学习任务的严格分离。
-
新研究利用PAC学习解决科学发现的复杂性问题
一篇新的研究论文通过PAC学习的视角，重点关注组合函数树，探讨了科学发现的样本复杂度。该研究证明了泛化量Rademacher复杂度受限于树的深度及其算子的Lipschitz常数，而不是指数增长。作者开发了一个可训练可微算子树的代码库，并通过实证证明泛化差距与其预测复杂度相关。
-
新的组合条件解决了 Proper Positive-Only Learning 问题
研究人员解决了机器学习中一个长期存在的关于 proper positive-only learning 的问题。该研究确立，如果一个概念类具有有限的 VC 维度并满足一个称为 uniform exterior separability 的新条件，那么它就可以从仅有正样本中进行 proper 学习。这一表征突显了与标准 PAC 学习的显著差异，包括 proper 和 improper 学习之间，以及确定性和随机 proper 学习之间的分离。
-
用于外生上下文MDP学习的新minimax PAC界限
研究人员为外生上下文马尔可夫决策过程（MDP）中的学习开发了新的minimax PAC界限。该研究侧重于具有外生、独立同分布（i.i.d.）上下文的表格折扣MDP，这些上下文会影响奖励和转移。所提出的算法在策略评估、最佳值估计和最佳策略提取方面提供了改进的样本复杂度，其速率独立于上下文空间大小且是minimax最优的。
-
新研究详细介绍了 Bandit 学习算法的样本复杂度
两篇新研究论文探讨了多类别分类设定下 Bandit 学习算法的样本复杂度。第一篇论文引入了“Bandit DS 维度”来表征 Bandit 反馈下的 PAC 学习样本复杂度，并提出了一种名为 ListCascade 的新算法。第二篇论文专注于稀疏上下文 Bandit，提出了一种通过利用奖励向量的稀疏性和分析决策估计系数 (DEC) 来实现改进样本复杂度界限的算法。两篇论文都旨在为标签信息不完整的学习场景提供更严格的理论保证。
-
新理论定义了机器学习模型可学习性的最优规模
研究人员引入了一个名为Scale-Sensitive Shattering的新理论框架，用于理解机器学习模型可学习性和均匀收敛的最优规模。研究结果在特定规模下建立了均匀收敛、无偏学习和fat-shattering维度之间的等价关系。这项工作反驳了一个长期存在的猜想，并为度量熵提供了更紧密的界限，对积分概率度量具有启示意义。
-
新框架应对代理不确定性下的轨迹规划
研究人员开发了一个新的交互式轨迹规划框架，该框架考虑了其他代理决策中的不确定性。该方法结合了 Probably Approximately Correct (PAC) 学习和分布鲁棒 (DR) 优化，创建了一个能够解决由学习到的决策分布引入的错误的解决方案。结果 PAC 学习的 DR-MPC 框架可以根据可用数据的量，在鲁棒模型预测控制和全知随机模型预测控制之间进行有效插值。
-
新的 SGDe 框架为小型语言模型编译工作流
研究人员开发了语义梯度下降（SGDe），一种新颖的师生框架，旨在将复杂代理工作流编译成确定性结构，以用于部署小型语言模型到企业环境中。该方法使用一个前沿 LLM 作为教师来生成批评，这些批评充当梯度，用于优化小型模型的执行计划，包括 DAG 拓扑和系统提示。SGDe 在具有挑战性的数据集上展示了显著的准确性提升，通过利用教师模型作为统计先验并以最少的训练示例实现收敛，从而优于当前的提示优化技术。