Core Concepts
어떤 학습 가능한 클래스도 전략적으로 학습 가능하다.
Abstract
전략적 분류는 기계 학습과 게임 이론의 교차점에 위치하며, 자기 이익을 위해 분류기를 조작하려는 자기 이해 대상의 복잡한 도전에 대응한다.
학습 목표는 조작 구조를 알고 있을 때 학습자가 전 조작 데이터와 후 조작 데이터에 모두 접근할 수 있는 완전히 정보적인 설정에서 거의 완벽한 샘플 복잡성과 후회 한계를 제공한다.
또한, 조작 구조에 불확실성을 도입하여 학습 복잡성에 대한 거의 완벽한 한계를 제공한다.
이러한 알고리즘은 다른 문제에도 적용 가능한 독립적인 관심을 가지고 있다.
Stats
어떤 학습 가능한 클래스도 전략적으로 학습 가능하다.
학습 복잡성의 거의 완벽한 한계를 제공한다.
불확실성을 도입하여 학습 복잡성에 대한 거의 완벽한 한계를 제공한다.
Quotes
"우리는 어떤 학습 가능한 클래스도 전략적으로 학습 가능하다는 것을 본질적으로 보여줍니다."
"우리의 알고리즘은 이 설정에서의 독립적인 관심을 가지고 있으며 다중 레이블 학습과 같은 다양한 다른 문제에 적용될 수 있습니다."