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.
5 天有情绪数据
-
新框架恢复VC学习的最优PAC保证
Steinke和Zakynthinou研究人员开发了一个使用条件互信息（CMI）分析学习算法信息复杂度的框架。他们的工作表明，通过这种CMI方法可以恢复VC类别的最优大概率近似正确（PAC）保证。具体来说，他们构建了一种随机学习算法，该算法实现了O(d)阶的已评估条件互信息（eCMI），其中“d”代表概念类的VC维度，从而在期望上实现了最优的泛化保证。
-
量子纠缠在新研究论文中提供学习优势
一篇新研究论文探讨了在量子测量分类学习中使用纠缠学习规则的优势。该研究侧重于学习涉及通过测量和经典后处理与量子态交互的场景。研究表明，在大概率近似正确（PAC）学习设置中，基于纠缠测量的学习规则可以提供比单拷贝学习规则多项式样本复杂度优势。
-
特朗普的PAC不会为竞选式广告向纳税人报销
唐纳德·特朗普的超级PAC已表示，它不会为用于播放宣传政府的竞选式广告的纳税人资金进行报销。这些广告自9月以来至少花费了1100万美元，一些人批评其为“政府宣传”。特朗普本人则为这些广告辩护称其为爱国宣传，尽管联邦法律通常禁止在职官员指导超级PAC的支出决策。
-
新研究阐明了机器学习可学习性的最佳尺度
一篇题为“Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale”的新研究论文深入探讨了实值函数类在最佳尺度上表现出一致收敛性和可学习性的问题。该研究建立了PAC学习定理的尺度敏感泛化，证明了一致收敛性、无偏学习性以及特定尺度下fat-shattering维度的有限性之间的等价关系。这项工作通过提供控制可学习性的精确尺度并改进度量熵的现有界限…
-
量子机器学习研究探索数据效率和对称性发现
三篇新研究论文探讨了量子物理与机器学习的交叉点，重点关注如何有效地从量子数据中学习。第一篇论文详细介绍了一种从量子学习模型中的有限测量推断对称群的理论。第二篇论文介绍了一种用于区分量子集合的积分概率度量层次结构，为量子机器学习中的损失函数提供指导。第三篇论文研究了量子PAC学习中的样本复杂度优势，证明了对状态制备酉变换进行逆向访问对于实现这种优势至关重要。
-
民主党成立 PAC 推动人工智能监管行动 · 跟踪 2 个来源
一个名为“Pitchforks Are Going to Come Out”的新政治行动委员会（PAC）正在成立，以鼓励在人工智能方面采取行动。该 PAC 与民主党有关，旨在推动关于人工智能社会影响的立法和公众参与。该倡议凸显了政治团体日益增长的担忧，即需要主动管理快速发展的人工智能格局。
-
新的可学习性概念提升离线数据驱动优化性能
研究人员引入了一个名为“算法相关可学习性”的新概念，以解决传统离线数据驱动优化方法的局限性。与要求跨所有区域广泛学习的现有方法不同，这个新框架专注于优化器轨迹上的准确性。这一理论进展促成了“不确定性感知梯度引导轨迹学习”（UGTL）框架的开发，该框架构建和建模改进轨迹以选择多样化的候选解决方案。UGTL在五个Design-Bench任务上表现出色，优于其他25种方法。
-
新的ZFC证明表明VC维度一不能保证PAC可学习性
研究人员已经证明，具有VC维度为一的Borel集概念类在存在一致学习规则的情况下，也不能保证PAC可学习性。这一在包含选择公理的策梅洛-弗兰克尔集合论（ZFC）中取得的发现，消除了先前认为对此类证明所必需的连续统假设的必要性。研究表明，有限的VC维度和Borel可测性本身不足以确保所有适当的一致学习规则的PAC可学习性。
-
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。