阿夫林·布鲁姆;玛丽亚·福洛丽娜·巴尔坎 有效半监督PAC学习中的开放问题。 (英语) Zbl 1203.68140号 Bshouty,Nader H.(编辑)等人,《学习理论》。2007年6月13日至15日在美国加利福尼亚州圣地亚哥举行的第20届学习理论年会。诉讼程序。柏林:施普林格出版社(ISBN 978-3-540-72925-9)。计算机科学讲义4539。人工智能课堂讲稿,622-624(2007)。 概要:标准PAC模型侧重于从标记的示例中学习一类函数,其中两个关键资源是所需的示例数量和运行时间。然而,在许多自然学习问题中,未标记的数据可以比标记的数据便宜得多。这激发了半监督学习的概念,在半监督学习中,算法试图以某种方式(希望)使用这种廉价的未标记数据,以减少学习所需的标记示例的数量。例如,半监督和转换SVM以及联合训练是半监督学习算法的两个示例。在[M.-F.巴尔干和A.布鲁姆,“从标记和未标记数据学习的PAC类型模型”,Lect。注释计算。科学。3559, 111–126 (2005;Zbl 1137.68520号)]引入了一个半监督PAC模型,为这些算法所做的各种假设提供了一个通用框架;然而,[loc.cit.]中的大多数结果处理的是样本复杂性,而不是计算效率,或者只是在对潜在分布的强假设下的计算效率。本文提出了几个与在此半监督PAC模型中开发计算效率高的算法相关的问题。关于整个系列,请参见[Zbl 1121.68002号]. 引用于1文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 引文:兹比尔1137.68520 PDF格式BibTeX公司 XML格式引用 \textit{A.Blum}和\textit{M.-F.Balcan},莱克特。注释计算。科学。4539、622--624(2007年;Zbl 1203.68140) 全文: 内政部 链接