弗朗索瓦·丹尼斯 PAC从积极的统计查询中学习。 （英语） Zbl 0932.68083号 Richter，Michael M.（编辑）等人，《算法学习理论》。第九届国际会议，ALT’98，德国奥岑豪森，1998年10月8-10日。诉讼程序。柏林：斯普林格。莱克特。注释计算。科学。1501, 112-126 (1998). 总结：在自然学习中，从积极的例子中学习非常频繁。Valiant的PAC学习模型考虑了自然学习的许多特征，但在大多数情况下，它无法描述这种学习。我们表明，为了使从积极数据中学习成为可能，必须向学习者提供关于潜在分布的额外信息。我们从正面和未标记的示例中定义了PAC学习模型。我们还定义了一个PAC学习模型，该模型来自积极的和未标记的统计查询。研究了PAC模型、统计查询模型和恒部分分类噪声模型之间的关系。我们证明，在这两种模型中，（k）-DNF和（k）-决策列表都是可学习的，即，与以前使用的算法中假设的信息相比，信息要少得多。关于整个系列，请参见[Zbl 0898.00031号]。 引用于11文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：PAC学习 PDF格式BibTeX公司 XML格式引用 \textit{F.丹尼斯}，莱克特。注释计算。科学。1501112--126（1998年；Zbl 0932.68083）