arXiv cs.LG@Leonardo N. Coregliano, William Opich
精选35
推荐理由：理论机器学习研究者会感兴趣——这项研究把样本压缩理论推到了高元空间，证明了压缩方案与PAC可学习性的新联系，做学习理论或高维数据分析的值得关注。
全部 AI 动态
AI 相关资讯全量信息流
5月13日
19:12
近期一系列研究开始探索乘积空间上学习理论概念的变体，统称为高元学习理论。本文提出高元样本压缩方案的概念，并证明存在非平凡质量的高元样本压缩方案意味着高元PAC可学习性。该工作将经典样本压缩理论扩展到高元场景，为理解复杂数据结构下的学习能力提供了新视角。研究结果建立了高元压缩与可学习性之间的理论桥梁，对机器学习理论有基础性贡献。
5月11日
11:42
arXiv cs.LG（学术论文）
30
推荐理由：该结果统一了高斯表面理论与L1逼近的度界，为非负多项式在平滑学习中的应用提供了理论基础，对理论计算机科学中指标函数逼近研究具有参考价值。