Original: http://www.cs.columbia.edu/~rocco/papers/colt99.html

 

П. Серведіо.
СІАМ журнал за обчисленнями 31 (5), 2002, стор. 1358-1369.
Попередня версія в Дванадцятої щорічної конференції з обчислювальної теорії навчання (COLT), 1999, стор. 296-307.

Анотація:

У даній роботі ми аналізуємо РАС здатності вивчення кількох простих ітераційних алгоритмів для навчання лінійних порогових функцій, отримання як позитивні, так і негативні результати. Покажемо, що алгоритм віяти Littlestone не є ефективним PAC алгоритм навчання для класу позитивних лінійних порогових функцій. Ми також довести, що алгоритм Perceptron не може ефективно вивчати необмежений клас лінійних порогових функцій навіть при рівномірному розподілі на логічних прикладах. Проте, ми покажемо, що алгоритм Perceptron може ефективно РАС вивчити клас вкладених функцій (класу поняття свідомо важко для Perceptron при довільних розподілів) при рівномірному розподілі на логічних прикладах. І, нарешті, ми даємо дуже простий алгоритм Perceptron-як для вивчення походження в центрі півпростору під рівномірним розподілом на одиничній сфері в $ R ^ п. $ На відміну від алгоритму Perceptron, який не може дізнатися при наявності класифікації шуму, новий алгоритм можна дізнатися в присутності монотонного шуму (узагальнення класифікації шуму). Новий алгоритм значно швидше, ніж попередні алгоритми як в класифікації і монотонних настройки шуму.

Постскриптум або PDF з паперу COLT

PDF версії журналу