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。
本文介绍了传导锐化（TS），一种用于半监督节点分类的损失级修改，它最小化无标签节点上的预测熵，同时平衡有标签节点的效果，在不改变架构的情况下实现一致的性能提升。