論文の概要: On characterizations of learnability with computable learners
- arxiv url: http://arxiv.org/abs/2202.05041v1
- Date: Thu, 10 Feb 2022 13:57:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 16:28:26.776059
- Title: On characterizations of learnability with computable learners
- Title(参考訳): 計算可能学習者による学習性の評価について
- Authors: Tom F. Sterkenburg
- Abstract要約: Agarwalらによる計算可能PAC(CPAC)学習について検討した。
我々は,強いCPAC学習という,密接に関連する概念を特徴づける。
我々は(計算可能な)PAC学習可能性の不決定性について考察する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study computable PAC (CPAC) learning as introduced by Agarwal et al.
(2020). First, we consider the main open question of finding characterizations
of proper and improper CPAC learning. We give a characterization of a closely
related notion of strong CPAC learning, and we provide a negative answer to the
open problem posed by Agarwal et al. (2021) whether all decidable PAC learnable
classes are improperly CPAC learnable. Second, we consider undecidability of
(computable) PAC learnability. We give a simple and general argument to exhibit
such undecidability, and we initiate a study of the arithmetical complexity of
learnability. We briefly discuss the relation to the undecidability result of
Ben-David et al. (2019), that motivated the work of Agarwal et al.
- Abstract(参考訳): Agarwal et al. (2020) が導入した計算可能PAC学習について検討した。
まず、適切な、不適切なCPAC学習の特徴を見出すための主要なオープンな問題を考える。
Agarwal et al. (2021) によるオープンな問題に対する否定的な答えとして, 決定可能なPAC学習クラスが不適切にCPAC学習可能かどうかを述べる。
第2に,pac学習能力の非決定性について考察する。
このような不決定性を示すための単純で一般的な議論を行い、学習可能性の算術的複雑さの研究を開始する。
Agarwal et al の業績を動機づけた Ben-David et al. (2019) の未決定結果との関連について, 簡潔に論じる。
関連論文リスト
- On the Computability of Multiclass PAC Learning [9.507869508188266]
最近導入された計算可能PAC(CPAC)学習フレームワークでは、学習者と出力する関数の両方が計算可能であることが求められている。
識別器の計算可能次元がCPAC学習を特徴付けることを示す。
論文 参考訳(メタデータ) (2025-02-10T01:07:23Z) - Online inductive learning from answer sets for efficient reinforcement learning exploration [52.03682298194168]
エージェントポリシーの近似を説明可能な近似を表す論理規則の集合を学習するために,帰納的な解集合プログラムの学習を利用する。
次に、学習ルールに基づいて回答セット推論を行い、次のバッチで学習エージェントの探索をガイドします。
本手法は,初回トレーニングにおいても,エージェントが達成した割引リターンを著しく向上させる。
論文 参考訳(メタデータ) (2025-01-13T16:13:22Z) - On the Computability of Robust PAC Learning [9.507869508188266]
本稿では,頑健な計算可能PAC(robust CPAC)学習の問題を紹介する。
このセットアップにおける学習性は,コンポーネントの組み合わせによってもたらされるものではない。
我々はその有限性は必要であるが、堅牢なCPAC学習には不十分であることを証明した。
論文 参考訳(メタデータ) (2024-06-14T16:20:04Z) - Optimal Learners for Realizable Regression: PAC Learning and Online Learning [52.37726841759983]
本研究では,PAC学習環境とオンライン学習環境の両方において,実現可能な回帰の統計的複雑さを特徴付けることを目的とする。
まず,再現可能な回帰のためのミニマックスインスタンス最適学習器を導入し,実数値予測器のどのクラスが学習可能であるかを質的かつ定量的に特徴付ける新しい次元を提案する。
オンライン学習の文脈では、最小の最適インスタンス最適累積損失を一定要素まで特徴付ける次元を提供し、再現可能な回帰のための最適オンライン学習者を設計する。
論文 参考訳(メタデータ) (2023-07-07T21:39:25Z) - Multiclass Boosting: Simple and Intuitive Weak Learning Criteria [72.71096438538254]
実現可能性の仮定を必要としない,単純かつ効率的なブースティングアルゴリズムを提案する。
本稿では,リスト学習者の向上に関する新たな結果と,マルチクラスPAC学習の特徴付けのための新しい証明を提案する。
論文 参考訳(メタデータ) (2023-07-02T19:26:58Z) - Find a witness or shatter: the landscape of computable PAC learning [63.26015736148707]
本稿では,最近の3つのオープンな質問を解き,CPAC学習可能性の研究に寄与する。
まず,全てのCPAC学習可能なクラスが,サンプルの複雑さで適切なCPAC学習が可能なクラスに含まれることを証明した。
第二に、適切に学習できるが、計算不能に急速に増加するサンプルの複雑さに限り、決定可能な仮説のクラスが存在することを示す。
論文 参考訳(メタデータ) (2023-02-06T02:52:36Z) - Semi-verified PAC Learning from the Crowd [7.594050968868919]
本研究では,クラウドソース型PAC学習におけるしきい値関数の問題点について検討する。
本稿では,Charikar等の半検証モデルを用いて,PACが基礎となる仮説クラスを大量のラベルクエリで学習可能であることを示す。
論文 参考訳(メタデータ) (2021-06-13T20:05:16Z) - Probably Approximately Correct Constrained Learning [135.48447120228658]
我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。
PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。
このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
論文 参考訳(メタデータ) (2020-06-09T19:59:29Z) - PACOH: Bayes-Optimal Meta-Learning with PAC-Guarantees [77.67258935234403]
PAC-Bayesianフレームワークを用いた理論的解析を行い、メタ学習のための新しい一般化境界を導出する。
我々は、性能保証と原則付きメタレベル正規化を備えたPAC最適メタ学習アルゴリズムのクラスを開発する。
論文 参考訳(メタデータ) (2020-02-13T15:01:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。