Відомо, що для навчання PAC існують природні класи концепцій (наприклад, підмножини списків рішень), для яких існують поліноміальні розриви між складністю вибірки, необхідною для теоретичного інформаційного навчання, який обчислюється без обмежень, і складності вибірки, необхідної полінома- час, що навчається. (див., наприклад, http://portal.acm.org/citation.cfm?id=267489&dl=GUIDE або http://portal.acm.org/citation.cfm?id=301437 )
Ці результати, схоже, залежать від кодування секрету в конкретних прикладах, і тому, природно, не перекладаються на SQ-модель навчання, де учень просто отримує запит на статистичні властивості розподілу.
Чи відомо, чи існують концептуальні класи, для яких інформаційно-теоретичне навчання у моделі SQ можливе із запитами O (f (n)), але обчислювально ефективне навчання можливе лише за запитами Omega (g (n)) для g (n ) >> f (n)?