Algoritmo di Apprendimento PAC Agnóstico Ottimale Raggiunge il Limite di Rischio Statistico

Una recente pubblicazione nel campo dell'apprendimento automatico introduce un algoritmo di apprendimento PAC che è ottimale e agnostico per compiti di classificazione binaria. Questo algoritmo stabilisce il limite di rischio statisticamente ottimale per qualsiasi classe con dimensione VC finita, chiarendo la complessità campionaria dell'apprendimento PAC agnostico entro costanti universali. Questo risultato è in linea con i limiti inferiori delineati da Devroye, Györfi e Lugosi nel loro lavoro del 1996. L'articolo, intitolato 'An Optimal Agnostic PAC Algorithm', è disponibile su arXiv con l'identificatore 2608.06363. Esso descrive un apprendista che, con un campione i.i.d. di dimensione n, raggiunge un limite di rischio di L(ĥ) ≤ L* + 7×10^8(√(L*(d+log(1/δ))/n) + (d+log(1/δ))/n) con una probabilità di almeno 1-δ. Questo limite è ottimale e corrisponde ai limiti inferiori stabiliti per ogni L* fisso. L'articolo rientra nella categoria Computer Science > Machine Learning e include riferimenti e strumenti bibliografici. Inoltre, evidenzia arXivLabs, un quadro di progetto collaborativo, e sottolinea la dedizione di arXiv alla trasparenza, alla comunità, all'eccellenza e alla privacy dei dati degli utenti.