MODEL THEORY AND MACHINE LEARNING
MODEL THEORY AND MACHINE LEARNING
复制标题
模型理论和机器学习
DOI：
10.1017/bsl.2018.71
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
FREITAG, JAMES
中科院分区：
文献类型：
--
作者：
CHASE, HUNTER;FREITAG, JAMES
大约25年前，人们发现，单一的组合性质决定了模型理论(NIP)和机器学习(PAC-学习性)的重要分界线。在接下来的几年里，PAC学习和NIP结构模型理论之间进行了卓有成效的思想交流。在这篇文章中，我们指出了模型理论和机器学习之间的一种新的相似的联系，这一次在在线学习的各种设置中发展了稳定性和可学习性之间的对应关系。特别是，这给出了许多新的数学趣味课程的例子，这些课程可以在网上学习。
About 25 years ago, it came to light that a single combinatorial property determines both an important dividing line in model theory (NIP) and machine learning (PAC-learnability). The following years saw a fruitful exchange of ideas between PAC-learning and the model theory of NIP structures. In this article, we point out a new and similar connection between model theory and machine learning, this time developing a correspondence between stability and learnability in various settings of online learning. In particular, this gives many new examples of mathematically interesting classes which are learnable in the online setting.
登录
查看更多内容
模型理论和代数几何
DOI：
--
发表时间：
1993
期刊：
影响因子：
--
作者：
B. Zilber
通讯作者：
B. Zilber
DOI：
--
发表时间：
1976
期刊：
影响因子：
--
作者：
W. Baur
通讯作者：
W. Baur
模型理论与复杂几何
DOI：
--
发表时间：
2009
期刊：
影响因子：
--
作者：
Rahim Moosa
通讯作者：
Rahim Moosa
诚实压缩及其在压缩方案中的应用
DOI：
--
发表时间：
2013
期刊：
Annual Conference Computational Learning Theory
影响因子：
--
作者：
Roi Livni;Pierre Simon
通讯作者：
Pierre Simon
灌木丛密度
DOI：
10.1017/jsl.2020.55
发表时间：
2017
期刊：
The Journal of Symbolic Logic
影响因子：
--
作者：
Siddharth Bhaskar
通讯作者：
Siddharth Bhaskar