学习布尔值函数类的样本复杂性正是由其Rademacher复杂性表征的。然而,这与有效的不可知论学习的样本复杂性关系不大。
我们引入了反驳复杂性,这是布尔概念类的Rademacher复杂性的一种自然计算模拟,并表明它准确表征了有效不可知学习的样本复杂性。非正式地,C类的反驳复杂性是有效区分标签与C(结构)某些成员的评估相关的情况和标签是i.i.d.Rademacher随机变量(噪声)的情况所需的最小示例-标签对数。这种关系的简单方向在Daniely和合著者的错误PAC学习下限的最新框架中被隐含使用,这与驳斥随机约束满足问题的难度有关。我们的工作可以被视为将不可知论学习和他们作品中隐含的反驳之间的关系明确地等效起来。
在最近的一项独立研究中,Salil Vadhan发现在可实现(即无噪音)情况下,反驳和PAC学习之间存在类似的关系。