凯斯，约翰 语言学习中犹豫的力量。 （英语） Zbl 0939.68099号 SIAM J.计算。 1941-1969年第6期第28页（1999年）. 小结：本文从实证数据出发，对Gold的机器语言学习模型进行了一些扩展。所研究的是成功学习的标准，其特点是在几个可供选择的正确语法之间收敛到摇摆不定的极限。本文的主要定理是，如果允许收敛到（n+1）个完全正确的文法的极限，那么可以学习一些语言类，但是如果收敛到不超过n个文法的限制，那么就无法学习这些语言类，其中不超过n的文法都可以犯有限多的错误。这与Barzdin和Podnieks以及后来Case和Smith从正面和负面数据中学习的结果形成了鲜明对比。Angluin 1980年的一篇论文中的子集原理被扩展到本文的摇摆和其他标准。这一原则为避免从积极数据中学习的过度概括提供了必要条件。它被应用于证明另一个定理，其大意是，如果愿意收敛于无穷多个不同程序的极限，则可以从最终程序中最优地消除波动准则的一半错误。儿童语言学习可能对数据呈现的顺序或时间很敏感。然而，结果表明，对于本文的优柔寡断的成功准则，对于同时以几种方式对顺序不敏感的机器来说，学习能力并没有损失。例如，部分集驱动机器只关注阳性数据序列的集和长度，而不是实际序列本身。机器（mathbf M）对于每种语言（L）都是弱（n）元顺序无关的（{overset{text{def}}\Leftrightarrow}），在每种语言上，对于关于（L）的正数据的某些排序，（mathbfM）在极限内收敛到有限的语法集，有一个有限的语法集合（D）（基数为（leq n）），使得对于\（L\）的正数据的每个排序，收敛到相同\（D\）的子集。本文中最难证明的定理意味着，同时具有部分集驱动和弱n元序独立性的机器不会因为收敛到n个文法的极限而失去学习能力。通过修改其证明，得到了该定理的几个变体，其中一些变体在本文和其他论文中都有应用。在此过程中，我们还发现，对于犹豫不决的标准，如果限制积极数据呈现的顺序是可计算的，那么学习能力不会增加。其中一些结果是对Blums所做的（n=1）案例先前工作的重要提升；维哈根；Osherson、Stob和Weinstein；Schäfer；和富尔克。 引用于42文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 65年第68季度 形式语言和自动机 关键词：计算学习理论;感应基准;语言学习;递归理论;拓扑 PDF格式BibTeX公司 XML格式引用 \textit{J.Case}，SIAM J.计算机。1941-1969年第6号第28条（1999年；Zbl 0939.68099） 全文： 内政部