本文研究了一种协作PAC学习的变体，旨在准确分类每个数据分布的分类器，并最小化样本数总量。文章提出了基于经验风险最小化算法的学习方法，并分析了依赖于增强的假设类的VC维度的上界。文章证明了在一般情况下，基于增强的假设类的ERM是NP难的，但对于两种特殊情况，给出了既有样本效率又有计算效率的学习器。