×

PAC学习算法能容忍随机属性噪声吗? (英语) Zbl 0837.68094号

摘要:本文研究了当实例空间为\(\{0,1\}^n\),并且实例被只影响属性(而不影响标签)的纯随机噪声破坏时,PAC学习算法的鲁棒性。对于均匀属性噪声,其中每个属性以相同的概率独立地翻转,我们提出了一种算法,PAC学习任意(未知)噪声率小于({1\over 2})的单项式。与这个积极的结果相比,我们表明,产品随机属性噪声的危害几乎与恶意噪声一样大,其中每个属性(i)都是随机和独立地翻转的,并且具有自己的概率(p_i)——没有任何算法能够容忍超过极少量的此类噪声。

MSC公司:

68T05型 人工智能中的学习和自适应系统
68宽10 计算机科学中的并行算法
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] D.Angluin和P.Laird。从吵闹的例子中学习。机器学习,2(4):343-3701988。
[2] A.Blumer、A.Ehrenfeucht、D.Haussler和M.K.Warmuth。可学习性和Vapnik-Chervonenkis维度。美国医学会杂志,36(4):929-9651989·Zbl 0697.68079号 ·数字对象标识代码:10.1145/76359.76371
[3] D.Haussler、M.Kearns、N.Littlestone和M.K.Warmuth。多项式可学习性模型的等价性。信息与计算,95(2):129-1611991·Zbl 0743.68115号 ·doi:10.1016/0890-5401(91)90042-Z
[4] W.霍夫丁。有界随机变量和的概率不等式。《美国统计协会杂志》,58(301):13-301963年·Zbl 0127.10602号 ·doi:10.2307/2282952
[5] M.Kearns和Ming Li.在恶意错误中学习。SIAM计算机杂志,22(4):807-8371993·Zbl 0789.68118号 ·doi:10.1137/0222052
[6] P.D.莱尔德。从好数据和坏数据中学习。Kluwer国际工程与计算机科学系列。Kluwer学术,波士顿,1988年·Zbl 0722.68091号
[7] N.利特尔斯通。冗余噪声属性、属性错误和使用winnow的线性阈值学习。《计算学习理论第四次研讨会论文集》,1991年,第147-156页。
[8] J.R.昆兰。噪声对概念学习的影响。《机器学习,人工智能方法》,第二卷,Morgan Kaufmann,Los Altos,CA,1986年,第6章,第149-166页。
[9] G.Shackelford和D.Volper。学习属性中带有噪声的k-DNF。《计算学习理论第一次研讨会论文集》,马萨诸塞州剑桥,1988年8月。Morgan Kaufmann,加利福尼亚州洛斯阿尔托斯,1988年,第97-103页。
[10] R.H.斯隆。概念学习数据中的噪声类型。《计算学习理论第一次研讨会论文集》,马萨诸塞州剑桥,1988年8月。Morgan Kaufmann,加利福尼亚州洛斯阿尔托斯,1988年,第91-96页。
[11] L.G.瓦利安特。可学习理论。ACM通讯,27(11):1134-11421984·Zbl 0587.68077号 ·数字对象标识代码:10.1145/1968.1972
[12] L.G.瓦利安特。学习连词的析取。IJCAI 85会议记录。Morgan Kaufmann,加利福尼亚州洛斯阿尔托斯,1985年,第560-566页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。