คำถามติดแท็ก pac-learning

เป็นที่ทราบกันดีว่าสำหรับแนวคิดคลาสCC\mathcal{C}มีมิติ VC dddมันเพียงพอที่จะได้O(dεlog1ε)O(dεlog⁡1ε)O\left(\frac{d}{\varepsilon}\log\frac{1}{\varepsilon}\right)ตัวอย่างที่มีข้อความที่จะเรียนรู้ PACCCC\mathcal{C}ไม่ชัดเจนสำหรับฉันหากอัลกอริทึมการเรียนรู้ PAC (ซึ่งใช้ตัวอย่างจำนวนมากเหล่านี้) เหมาะสมหรือไม่เหมาะสม? ในหนังสือเรียนของ Kearns และ Vazirani เช่นเดียวกับ Anthony และ Biggs ดูเหมือนว่าขั้นตอนวิธีการเรียนรู้ PAC นั้นไม่เหมาะสม (เช่นข้อสมมติผลลัพธ์ไม่ได้อยู่ในCC\mathcal{C}) บางคนสามารถอธิบายได้ไหมว่าขอบเขตบนที่คล้ายกันมีไว้สำหรับการตั้งค่าการเรียนรู้ PAC ที่เหมาะสมหรือไม่ ถ้าเป็นเช่นนั้นคุณสามารถให้การอ้างอิงกับฉันได้ที่นี่ถูกกล่าวถึงอย่างชัดเจนและมีหลักฐานที่มีอยู่ในตัวเองด้วยหรือไม่ เมื่อเร็ว ๆ นี้การปรับปรุง Hanneke ผูกพันโดยการกำจัดของlog(1/ε)log⁡(1/ε)\log(1/\varepsilon)ปัจจัย ใครบางคนสามารถอธิบายได้ว่าเป็นที่รู้กันว่าสามารถถอดออกได้สำหรับการตั้งค่าการเรียนรู้ PAC ที่เหมาะสม? หรือมันเป็นคำถามเปิดยัง?log(1/ε)log⁡(1/ε)\log(1/\varepsilon)

11 machine-learning  boolean-functions  lg.learning  vc-dimension  pac-learning