机构名称：
¥ 2.0
我们重新审视了 Bshouty 和 Jackson [SIAM J. Comput. 1998, 28, 1136–1153] 提出的表征量子 PAC 学习复杂性的问题。在这种情况下，已经证明了几种量子优势，然而，没有一种是通用的：它们适用于特定的概念类，并且通常仅在已知生成数据的分布时才有效。在一般情况下，Arunachalam 和 de Wolf [JMLR, 19 (2018) 1-36] 最近表明，量子 PAC 学习者只能获得相对于传统 PAC 学习者的常数因子优势。我们表明，通过自然扩展 Arunachalam 和 de Wolf 使用的量子 PAC 学习定义，我们可以在量子学习中获得通用优势。确切地说，对于任何 VC 维度为 d 的概念类 C，我们表明存在一个具有样本复杂度的 (ϵ, δ)-量子 PAC 学习者
量子 PAC 学习的可证明优势
主要关键词
相关文件推荐
