multiclass-classification

本文解决了不可知多类转导学习的极小极大速率问题，证明最优超额误差由 DS 和 Natarajan 维度主导。该结果适用于任意标签空间，扩展了先前在二分类上的工作。

本文证明，单调对抗腐败可以使某些多类和部分二元分类问题变得不可学习，提供了腐败预算的紧界，并扩展了先前关于二元分类的结果。

本文提出LFS-FRAME，一种无泄漏的堆叠集成框架，结合Kolmogorov-Arnold网络与XGBoost实现稳健的多类分类，在主要类别上达到89.85%的准确率，在子类别上达到81.74%。

本文提出了一种广义无分布半监督学习框架，通过线性组合组件风险构建无偏风险估计器，将PNU学习扩展到多类分类，同时实现更低方差并提供泛化界限。

本文介绍了Level-Constrained-Littlestone-Littlestone (LCLL)树，以刻画通用直推式在线分类中的可学习性，其中标签空间可能无界，并证明了最优错误率要么有界，要么呈对数增长。

本文刻画了多类分类中离散属性的近似属性校准，利用Lipschitz连续属性作为中介，将复杂度从类别数量降低到诱导复杂度维度。