DCD刻画延迟删失标签的PAC学习样本需求

Madhava Gaikwad 在 arXiv 发表论文，提出延迟复杂度维度（DCD），用于刻画二分类器在标签随机延迟、且超出观察窗口 W 后被截断（删失）时，PAC 学习所需的样本量。论文给出的结论是：任意学习器至少需要 Ω(DCD/ε²) 个样本。 该结果针对的是标签延迟到达并可能被删失的二分类 PAC 学习场景，样本下界以 DCD 和精度参数 ε 表示。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。