谷歌涂鸦庆祝经典街机游戏PAC-MAN 45周年，推出特别万圣节版。游戏包含八个关卡和四个鬼屋迷宫，玩家需引导PAC-MAN吃点心、躲避幽灵并抓取能量球反击。可在谷歌主页上玩。

本文提出了一种基于PAC保障的视觉敏锐度预测区间方法，有效解决了机器学习模型的不确定性问题。实验结果表明，该方法在性能上与传统方法相当或更优，具有重要的临床应用价值。

本研究提出了“可能近似正确（PAC）推理”框架，旨在结合领域专业知识与高精度推理能力，以解决人工智能系统在适应性和新问题解决中的不精确性。研究表明，该方法能够可靠地分解复杂问题，具有重要的应用潜力。

本研究解决了PAC-贝叶斯框架在多视角学习中应用不足的问题。我们提出了基于R\'enyi散度的新PAC-贝叶斯界限，这些界限在复杂度度量上优于传统的Kullback-Leibler散度。研究结果显示，所提出的优化算法具有自边界特性，具有良好的实际应用潜力。

本研究解决了传统统计学习中对训练数据独立性假设的局限，提出了一种新框架，通过图距离衰减的依赖关系结合时间依赖和图依赖。结果表明，基于在线到PAC框架的泛化界限受到混合速率和图的色数的共同影响，提供了更全面的泛化保障。

本研究解决了PAC-Bayesian分类中的错分类风险界限问题，尤其在使用凸替代损失时的局限性。研究提出了一种新颖的方法，通过期望的PAC-Bayesian相对界限而非概率界限来建立错分类超额风险界限。该方法在若干重要应用中得到了验证，展示了其潜在的广泛影响。

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。

PAC-Bayesian理论为学习优化问题提供了可证估计、收敛保证和收敛速度权衡的框架。通过转化为一维最小化问题并研究全局最小值的可能性，提供了一个具体算法实现和学习优化的新方法。四个实验支持了该理论，展示了该学习框架对优化算法性能的改进。

本文介绍了一种基于ERM孤注一掷算法的在线二元分类方法，证明了其在真实问题上的收益有限，但在迷惑问题上的收益不断增长。同时，探讨了ERM算法在非参数博弈中的应用，并提出了一种不依赖于最优反应的学习算法，成功应用于两人和多人博弈中，证明了算法的有效性和可靠性。

本文分析了两种分箱策略中的估计偏差，并建立了偏差的上界以实现改进的收敛速率。使用信息理论方法扩展了偏差分析到广义化误差分析，并给出了最佳箱数。实验证明了上界在信息理论广义化分析方法下的有效性。

通过引入一种全面的 PAC-Bayesian 框架来研究规范化重要性权重，我们提出了一个可验证的 PAC-Bayesian 泛化界限，该界限广泛适用于常见的重要性权重规范化方法，从而在单个框架内进行比较。我们的实证结果挑战了常见的认知，证明了标准的 IW 规范化技术的有效性。

该研究探讨了具有连续状态和动作空间的离散时间贴现马尔可夫决策过程，并解决了从观察到的最优行为中推断成本函数的逆问题。研究首先考虑了完全掌握专家策略的情况，并通过使用职业度量、线性对偶和互补松弛条件来刻画逆问题的解集。为避免平凡解和不适当性，引入了自然线性标准化约束。这导致了一个无限维的线性可行性问题，并对其性质进行了深入分析。其次，采用线性函数逼近器和随机化方法，即场景方法和相关的概率可行性...

我们从 PAC-Bayesian 的角度提出了数据相关的均匀泛化界，通过将训练算法输出的数据相关假设集应用于随机集的严格方法，我们证明了数据相关的界，适用于多种情境，并将此方法应用于基于分形维度的泛化界和连续 Langevin 动力学以及随机梯度 Langevin 动力学的轨迹上，这些结果为噪声算法的泛化特性提供了新的信息。

该文章介绍了一种名为MRA-FNO的多分辨率主动学习框架，用于提高Fourier神经运算符的学习效率。该框架采用了概率多分辨率FNO和集成蒙特卡洛方法来进行后验推断，并通过效用-成本比率最大化来选择新的示例和分辨率。该方法在多个基准运算符学习任务中展现了优势。