玛丽亚·福洛丽娜·巴尔坎;阿夫林·布鲁姆 用于从标记和未标记数据中学习的PAC类型模型。 （英语） Zbl 1137.68520号 Auer，Peter（编辑）等人，《学习理论》。第18届学习理论年会，COLT 2005，意大利贝蒂诺罗，2005年6月27日至30日。诉讼程序。柏林：施普林格出版社（ISBN 3-540-26556-2/pbk）。计算机科学课堂讲稿3559。人工智能课堂讲稿，111-126（2005）。 摘要：在机器学习中，将未标记数据与标记数据结合使用的实践越来越引起人们的兴趣，并且已经开发了许多不同的方法。然而，这些方法所基于的假设往往非常不同，并且没有被标准理论模型所捕获。在本文中，我们描述了一个PAC类型的框架，该框架可用于对许多这些假设进行建模，并在此设置中分析了样本复杂性问题：即，为了学好知识，应该期望需要多少每种类型的数据，以及这些数据所依赖的基本量是什么。我们的模型可以被视为标准PAC模型的扩展，其中除了概念类（C）之外，还提出了一种我们认为目标概念应该与底层分布具有的兼容性。从这个角度来看，未标记的数据可能会很有帮助，因为它允许人们估计假设空间上的兼容性，并将搜索空间的大小减少到根据自己的假设，在分布方面是先验合理的。我们讨论了在此背景下出现的一些技术问题，并提供了一致收敛和基于（ε）覆盖的算法的样本复杂性边界。我们还考虑了算法问题，并针对一种特殊的协同训练情况给出了一种有效的算法。关于整个系列，请参见[Zbl 1076.68003号]. 引用于1审查引用于4文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 PDF格式BibTeX公司 XML格式引用 \textit{M.-F.Balcan}和\textit{A.Blum}，莱克特。注释计算。科学。3559111-126（2005年；Zbl 1137.68520） 全文： 内政部