Papers with Code 아카이브
PAC learning
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 0
- 보존된 평가 기록
- 0
Probably Approximately Correct (PAC) learning analyzes machine learning mathematically using probability bounds.
코드
관련 논문과 평가 결과에 연결된 구현입니다. 출처에서 확인된 저자 구현에는 공식 코드 표시가 있습니다.
https://github.com/auto-res/lean-rademacher
공식 코드Lean Formalization of Generalization Error Bound by Rademacher Complexity
https://github.com/braqiiit/qrealboost
공식 코드https://github.com/eboix/theory-of-model-distillation
공식 코드https://github.com/kristian-georgiev/privacy-induces-robustness
공식 코드Privacy Induces Robustness: Information-Computation Gaps and Sparse Mean Estimation
https://github.com/louzounlab/pygon
공식 코드Planted Dense Subgraphs in Dense Random Graphs Can Be Recovered using Graph-based Machine Learning
https://github.com/lukasmut/vice
공식 코드https://github.com/machine-reasoning-ufrgs/mlbf
공식 코드https://github.com/neurodata/prolearn
공식 코드https://github.com/omerbp/Regression-Equilibrium
공식 코드https://github.com/spell-system/spell
공식 코드https://github.com/andertavares/mlbf
https://github.com/carsonzhu/Machine-learning-oriented
https://github.com/florianmahner/object-dimensions
https://github.com/pariard/SLIP
SLIP: Learning to Predict in Unknown Dynamical Systems with Long-Term Memory
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.