المفاهيم الأساسية
최근 연구에서 Klivans, Stavropoulos, Vasilyan은 분포 변화에 대한 검증 가능한 학습(TDS 학습) 모델을 제안했다. 이 모델에서 학습자는 훈련 분포에서 레이블이 있는 샘플과 테스트 분포에서 레이블이 없는 샘플을 받으며, 테스트 분포에 대한 낮은 오류를 가지는 분류기를 출력해야 한다. 이 논문에서는 가우시안 분포에 대한 반반 공간 교차 학습 문제에 대해 다양한 새로운 상한을 제시하고, 처음으로 TDS 학습 문제에 대한 SQ 하한을 제공한다.
الملخص
이 논문은 가우시안 분포에 대한 반반 공간 교차 학습 문제를 다룬다. 주요 내용은 다음과 같다:
훈련 분포에서 양성 및 음성 예제의 비율이 적어도 ǫ인 경우(ǫ-균형), TDS 학습을 위한 새로운 상한을 제시한다. 이는 이전 연구보다 크게 개선된 결과이다.
TDS 학습 문제에 대한 첫 번째 SQ 하한을 제공한다. 단일 반반 공간에 대해서는 훈련 분포가 ǫ-균형이어야 한다는 것을 보이고, 두 개의 일반 반반 공간 교차에 대해서는 d˜Ω(log(1/ǫ)) 하한을 보인다.
TDS 학습을 위한 새로운 기술을 제시한다. 차원 축소와 커버링을 사용하여 분포 적응 문헌에서 중요한 discrepancy distance의 효율적인 계산 방법을 제공한다.
الإحصائيات
훈련 분포 D에서 적어도 ǫ 비율의 양성 및 음성 예제가 있다.
테스트 분포 D'은 임의의 분포이며, 훈련 분포 D와 동일한 주변 분포를 가질 때 테스트를 통과한다.