Biarkan menjadi distribusi lebih dari bitstring / pasangan label dan biarkan menjadi kumpulan fungsi bernilai boolean . Untuk setiap fungsi , misalkan: dan biarkan: OPT (C, D) = \ min_ {f \ dalam C} \ err (f, D) Katakan bahwa suatu algoritma A secara agnostik mempelajari C atas distribusi apa pun, jika untuk setiap D ia dapat dengan probabilitas 2/3 menemukan fungsi f sedemikian rupa sehingga err (f, D) \ leq OPT (C, D) + \ epsilon , diberikan waktu dan sejumlah sampel dari D
Pertanyaan: Apa kelas fungsi yang diketahui dapat dipelajari secara agnostik dari distribusi yang sewenang-wenang?
Tidak ada kelas yang terlalu sederhana! Saya tahu bahwa konjungsi monoton pun tidak diketahui dapat dipelajari secara agnostik melalui distribusi yang sewenang-wenang, jadi saya hanya mencari kelas fungsi nontrivial.
sumber
Jawaban:
Jika tidak ada kelas yang terlalu sederhana, maka di sini ada beberapa kelas yang dapat dipelajari secara agnostik PAC. Menanggapi komentar, kelas-kelas dengan banyak hipotesis secara acak dicoret:
pohon keputusan kedalaman konstan (dan kelas lainnya hanya memiliki banyak hipotesis)hiperplanes dalam hipotesis (hanya menghasilkan label berbeda) O ( n 2 )R2 O(n2) kelas hipotesis lain dalam pengaturan dimensi rendah.Hampir semua yang lain adalah NP-Hard untuk (setidaknya dengan benar) belajar PAC secara agnostik.
Tutorial Adam Kalai tentang pembelajaran agnostik juga mungkin menarik bagi Anda.
sumber