标签
本文解决了经验风险最小化对于二元分类是否相对智能的问题，探讨了在未标注数据中具有二次复杂度增长的半监督学习，并证明了某些学习者的不可处理性结果。
本文介绍了通用编码计算（GCC），一种学习理论框架，用于缓解分布式计算系统中的掉队节点问题，并提供了理论性能保证和在深度神经网络上的实验验证。
本文研究了多类别学习中适当学习与正则化的极限，通过证明学习并不总能归约为适当学习，且正则化存在结构约束，解决了开放性问题。
本文提出了一个用于一致稳定算法泛化差距的新无对数上界，并构造了一个实现最优高概率依赖性的确定性学习问题，从而填补了文献中的空白。
本文为具有无限维输入的浅层神经网络模型开发了构造性近似和学习保证，将误差分离为坐标截断、网络宽度和样本大小组件，以实现统一的理论分析。
本文介绍了KnowSim，一个通过建模用户知识状态来评估LLM助手信息校准的评估框架，经人类判断验证并优于基线模拟器。
本文回答了Hanneke、Moran和Waknine提出的一个开放问题，证明了直接和的不可知PAC学习曲线并非仅由单实例学习曲线和因子数量决定，从而提供了一种速率分离。
本文重新思考了“状态”这一语言学概念，将其视为跨综合语言的一种系统性形态句法机制，在基于模板的模块化认知框架中将其形式化为语法模板上的集值函数，并提供了一个统一的计算学习理论解释。
本文分析了极限中的语言生成，引入了一个精度概念来研究召回率-精度的权衡。研究表明，当对手隐藏大部分目标语言时，允许无限多个幻觉（频率递减）可以提高召回率。
本文开发了一个傅里叶分析框架，用于研究群不变性下的数据增强，表明部分增强可以在近似误差趋近于零的情况下实现与完全增强相同的极小极大速率，同时还证明了精确不变性需要全群平均。
介绍Fisher宽度，这是统计流形上高斯宽度的黎曼类比，它捕捉局部统计曲率且在重参数化下不变。本文发展了其理论，证明了Fisher-Lipschitz类别的泛化界，并在MNIST上展示了可计算估计量。
本文提出使用成对查询来改进二分类中的选择性分类，特别是在置信度估计不一致的情况下（如大语言模型的上下文学习）。理论条件及在合成和真实数据集上的实验表明，基于成对查询的算法比原始置信度估计能实现更好的准确率-成本权衡。
本文提出了一个统一的理论框架，用于描述深度学习中的相变（grokking、涌现能力）和非平衡化学中的相变，将两者描述为受两个梯度场控制的驱动信息系统。