Чи є якась робота, що поєднує машинне навчання та екзотичні форми теорії складності?

Мені здається, що фахівці з машинного навчання / видобутку даних знайомі з P та NP, але рідко говорять про деякі більш тонкі класи складності (наприклад, NC, BPP або IP) та їх наслідки для ефективного аналізу даних. Чи є якесь опитування роботи з цим?

Існує деяка притаманна різниця або несхожість підходів між двома сферами прикладного машинного навчання та теорією складності TCS / складності.

Ось нещодавній семінар з цього приводу в Центрі обчислювальної нездатності, Прінстон з великою кількістю відео.

Опис: Багато сучасних підходів до машинного навчання є евристичними: ми не можемо довести гарних меж ні в їх продуктивності, ні в процесі роботи. Цей невеликий семінар буде присвячений проекту розробки алгоритмів та підходів, ефективність яких можна ретельно проаналізувати. Мета полягає в тому, щоб вийти за рамки, де вже існують доказові межі.

• Практикум: Достовірні межі машинного навчання - 1-2 серпня 2012 року

У TCS основним напрямком вивчення «навчання», яке іноді може бути заплутаним, навіть його також називають «машинним навчанням», називають теорією PAC, яка означає, ймовірно, приблизно коректну. її початок початку 1980-х років передує значно сучаснішим дослідженням "машинного навчання". wikipedia називає це частиною польової теорії обчислювального навчання . ПАК часто стосується результатів вивчення булевих формул, наданих статистичних вибірок розподілів тощо, а також досяжної точності навчання за різними алгоритмами або обмеженими вибірками. Це вивчається суворим теоретичним способом з прив'язкою до класів складності. Але це не стільки сторінка прикладного дослідження та wikipedias про машинне навчання навіть не перераховує його.

• Обчислювальна складність машинного навчання кандидатської дисертації Кірнса

• Xing слайди (PAC) машинного навчання