High-arity PAC learning via exchangeability

要約

我々は、「構造化相関」の存在下における統計的学習である、高明度PAC学習の理論を開発する。この理論では、仮説はグラフ、超グラフ、より一般的には有限関係言語の構造のいずれかであり、i.i.d.サンプリングは誘導された部分構造のサンプリングに置き換えられ、交換可能な分布を生成する。我々の主な定理は、統計的学習の基本定理の高明度（不可知）版を確立する。

要約(オリジナル)

We develop a theory of high-arity PAC learning, which is statistical learning in the presence of ‘structured correlation’. In this theory, hypotheses are either graphs, hypergraphs or, more generally, structures in finite relational languages, and i.i.d. sampling is replaced by sampling an induced substructure, producing an exchangeable distribution. Our main theorems establish a high-arity (agnostic) version of the fundamental theorem of statistical learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL