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.
2 天有情绪数据
-
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。