arXiv · ML· Daniel Barzilai·· 7 小时前AI 评分37
无分布假设下学习特征与固定特征的可计算性分离
A Distribution-Free Separation Between Learned and Fixed Features
AI 导读
该研究解决了 Feldman, Kamath, and Srebro (2026) 提出的 COLT 开放问题，证明学习特征相对于固定特征的计算优势在无分布假设设定下依然成立。 构造的假设类家族可被基于梯度的算法高效学习，但无法被多项式维度线性预测器表示，其维度复杂度在运行时间 R 上是超多项式的。
来源：arXiv · ML · arxiv.org