PAC学习
由Leslie Valiant于1984年提出的机器学习理论框架，核心思想是：一个概念类是可学习的，当且仅当存在算法能在多项式数量的样本和时间内以高概率输出近似正确的假设
时间轴 (近 90 天)
不可知学习不假设数据可由目标概念完美标记，而是允许噪声，目标是找到一个假设，使其错误率与假设类中最优成员的错误率相当（至多相差一个常数）。
PAC学习是Valiant于1984年提出的计算学习理论框架。
论文以PAC学习为例说明，全局假设（如i.i.d.假设）只能导致循环论证，无法满足保证条件。
在标准PAC框架下，若噪声比例超过某个阈值，任何算法都无法唯一恢复目标；而列表可解码允许在高噪声条件下以多项式时间输出包含真实参数的短列表。
该研究提出了首个在无强假设下、以全多项式时间学习k个任意ReLU正线性组合的算法（关于高斯分布、L2损失，样本与时间复杂度均为poly(d, k, 1/ε)）。
该工作属于统计学习理论的基础研究，不涉及具体工程实现或模型架构，而是在泛化界的理论精度上做出改进
独立同分布（i.i.d.）假设是经典统计学习理论的基石，也是PAC学习框架和VC维理论的前提条件
全部知识事实 (7)
不可知学习不假设数据可由目标概念完美标记，而是允许噪声，目标是找到一个假设，使其错误率与假设类中最优成员的错误率相当（至多相差一个常数）。
50%待验证PAC学习是Valiant于1984年提出的计算学习理论框架。
50%待验证论文以PAC学习为例说明，全局假设（如i.i.d.假设）只能导致循环论证，无法满足保证条件。
50%待验证在标准PAC框架下，若噪声比例超过某个阈值，任何算法都无法唯一恢复目标；而列表可解码允许在高噪声条件下以多项式时间输出包含真实参数的短列表。
50%待验证该研究提出了首个在无强假设下、以全多项式时间学习k个任意ReLU正线性组合的算法（关于高斯分布、L2损失，样本与时间复杂度均为poly(d, k, 1/ε)）。
50%待验证该工作属于统计学习理论的基础研究，不涉及具体工程实现或模型架构，而是在泛化界的理论精度上做出改进
50%待验证独立同分布（i.i.d.）假设是经典统计学习理论的基石，也是PAC学习框架和VC维理论的前提条件
50%