COLT公司

如果每个变量最多出现在一个输入上，则公式是只读的。Angluin、Hellerstein和Karpinski已经证明，具有and、OR和NOT门的布尔公式在多项式时间内可以使用隶属度和等价性精确识别。。。

本文解决了以下开放性问题：是否有一种在线学习矩形的算法_i=1Π^d日{一个_我，一个_我+1，…，b_我}在离散域{1，…，n}上^d日其误差界为n的多对数^d日域（即以d和log n表示的多项式）。。。

我们研究了学习均匀分布上几类布尔电路所需的样本数和计算资源的密码下限。假设解决n x n个^1+ε子集和很难，我们。。。

我们提出了一种学习规则集的算法，这些规则集被组织成最多k个水平。每个级别可以包含任意数量的规则“如果c（c）然后我“其中我是与级别关联的类c（c）是来自给定基本类的概念。。。

当对手选择目标机器和训练集[Ang78，KV89，PW89]时，已证明从稀疏标记示例中对有限状态机的近似推断是无效的。然而，我们从经验上发现，DFA大约是。。。

我们表明，DNF最多具有大小d日最多可以用一个函数来近似d日^{O（d log 1/ε）})非零傅里叶系数，使得相对于均匀分布的预期误差平方最多为ε。此属性是。。。

我们提出了一种通用的方法来上界任意函数的谱范数。我们技术的核心是一个定理，该定理说明了在给定决策树的谱范数的情况下，如何获得决策树的频谱范数的上界。。。

提出了一种多项式时间算法，用于精确学习read-k不相交DNF公式-析取范式中每个变量最多出现的布尔公式k个)每个变量的赋值最多满足一个项。。。

我们考虑学习的问题k个-使用Anguin和Slonim定义的等价查询和不完整成员查询的术语DNF公式。我们证明了该模型可以应用于非单调类。也就是说，我们描述了一个多项式-。。。

我们证明，如果我们假设示例是从有界分布中得出的，则仅使用对数个正示例，2项DNF公式就可以在二次时间内学习。我们还展示了k个-术语DNF公式在多项式中是可学习的。。。

针对两类模式识别问题，分析了最近邻分类器的有限样本性能。导出了精确的积分表达式米-抽样风险R（右）_米给出了一个参考米-标记点样本，绘制。。。

基于记忆的学习系统是一种扩展的记忆管理系统，它将输入空间静态或动态分解为子区域，以存储和检索功能信息。主要的泛化技术。。。

本文考虑一阶逻辑子集的可学习性。Piror的工作建立了可学习性的两个边界：Haussler[1989]表明，在Valiant模型中无法学习一阶逻辑中的连词，即使形式。。。

的字段归纳逻辑程序设计（ILP）关注在有背景知识的情况下从示例中归纳逻辑程序。本文定义了ILP问题，并描述了常用的各种句法限制。。。

本文讨论一类Prolog程序，称为无上下文项转换（CTF）。我们提出了一个多项式时间算法来从正数据中识别CFT的一个子类，该子类的程序最多由两个子句组成；该算法使用。。。

提出了一种使训练模式与决策边界之间的差值最大化的训练算法。该技术适用于多种分类函数，包括感知器、多项式和径向基函数。。。

我们研究了通过函数导数的各种范数的界形成的单个实变量函数类的在线学习。我们确定了最坏情况下平方误差和（也包括“绝对”误差）的最佳界。。。

在本说明中，我们考虑在线学习从**到**的线性函数的问题。已经提出了两种以前的算法，它们可以实现误差平方项的最佳和。我们表明，这两种算法对。。。

本文基于统计假设检验理论，提出了一种新的随机规则学习计算模型（即给定实例标签集上的条件概率），并推导了样本复杂度的界。。。

在本文中，我们引入了标准PAC学习模型的扩展，该模型允许使用广义样本。我们将广义样本视为一对，由概念类上的一个泛函与由。。。

大多数学习理论都考虑从（1）关于f或的观察，（2）关于f的问题中推断函数f。我们考虑这样一个场景，即学习者观察f并向某一集合a提问。EX[a]是一组概念类EX-。。。

的机器学习限制程序（即，程序允许对其合法输出进行有限的思想改变）可计算的研究了函数。学习迭代的研究了极限规划。为了部分激发这些研究，它是。。。

我们表明，对于每个成功率大于24/49的概率FIN型学习者，还有另一个成功率为1/2的概率FIM型学习者模拟前者。我们还将表明，这个模拟结果是严密的。我们。。。

根据递归理论归纳推理，提出了一种基于案例学习的形式化方法。这种方法直接源自最近发表的一些基于案例的学习算法。本文的目的是展示。。。

泛化是一个备受关注的学习问题。泛化问题是获取某个概念的有限样本，并生成一个算法，该算法可以生成相同的所有其他（可能无限多）样本。。。

我们考虑在学习过程中，用于分类示例的函数可能在少量不同概念之间来回切换的情况下进行学习。我们研究了几种用于这种情况的模型：。。。

在本文中，我们考虑了当示例的概率分布在整个学习过程中缓慢但持续地变化时，从随机选择的示例中学习域的子集的问题。我们给出了…的上下界。。。

我们考虑PAC学习，其中学生知道分布。这里要解决的问题是，当可学习性与分布相关时的特征D类₁意味着分销方面的可学习性D类₂.

上述问题的答案。。。

本文研究了PAC学习与一致收敛性之间的关系。我们定义了分布相关背景下相对频率与概率的多项式一致收敛的概念。让X_n个= (0,1)_n个, ...

要了解，只需估计错误在所有候选假设中同时我们研究了这种“同时估计”何时可能的问题，并表明它会导致新的学习过程和弱的充分条件。。。