我们在可实现的PAC设置中从带有边距的可实现的PAC设置中介绍了一种改进的{\ em准正确}学习凸多面体。我们的学习算法将一致的多面体构造为大约$ t \ log t $ halfpace，在$ t $的时间多项式中的恒定尺寸边距（其中$ t $是形成最佳多面体的半个空间的数量）。我们还确定了从覆盖物到多层的覆盖率概念的明显概括，并调查它们如何与几何上的关系;此结果可能具有超出学习设置的后果。
translated by 谷歌翻译
深神经网络（DNN）和决策树（DTS）都是最先进的分类器。DNN由于其表示性学习能力而表现良好，而DTS在计算上是有效的，因为它们沿着一条途径（根到叶子）进行推理，该推理取决于输入数据。在本文中，我们介绍了二元树结构化神经网络的决策者（DN）。我们提出了一种系统的方法，将现有DNN转换为DN，以创建原始模型的轻量级版本。Decisionet竭尽全力 - 它使用神经模块来执行代表性学习，并利用其树结构仅执行一部分计算。我们评估了各种DN体系结构，以及他们在FashionMnist，CIFAR10和CIFAR100数据集上的相应基线模型。我们表明，DN变体具有相似的精度，同时显着降低了原始网络的计算成本。
translated by 谷歌翻译