通用多類轉導式在線學習論文發表

這篇研究論文探討通用轉導式在線分類問題，其中標籤空間可能無界。在線學習環境下，學習者事先知道實例序列（不含標籤）。論文定義，若存在學習算法使得對於每個可實現序列，錯誤數隨預測次數次線性增長，則概念類可學習。作者表徵了此設定的可學習性，並顯示可學習類只有兩種最優錯誤速率：有界或對數增長。此外，論文引入一個新的組合結構，稱為『Level-Constrained-Littlestone-Littlestone 樹』，結合無差異性質，用於描述可學習性。研究還將可學習性結果擴展到不可知情況，以及僅知道生成實例序列的隨機過程的情況。這項工作為轉導式在線學習提供了重要的理論貢獻。