[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-proper-positive-only-learning-characterization-zh":3,"article-related-proper-positive-only-learning-characterization-zh":30,"series-research-f303e5bb-372c-48f6-bfc3-f7a73a1e678b":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"f303e5bb-372c-48f6-bfc3-f7a73a1e678b","proper-positive-only-learning-characterization-zh","正向樣本學習的完整界線","\u003Cp data-speakable=\"summary\">這篇論文證明，正向樣本學習要能 proper learn，不只要 VC 維度有限，還必須滿足 uniform exterior separability。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：摘要無公開 benchmark 數字\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：VC 維度加外部分離\u003C\u002Fli>\u003C\u002Ful>\u003Cp>正向樣本學習聽起來像是少一半\u003Ca href=\"\u002Fnews\u002Fmistral-ocr-4-citation-ready-structured-output-zh\">資料\u003C\u002Fa>而已，但這篇論文直接把它的邊界畫清楚了。作者不是在做一個新模型或新系統，而是在回答一個更根本的問題：當你只能看到正例，還要求學出來的假設必須留在原本的概念類裡，這件事到底什麼時候做得到？\u003C\u002Fp>\u003Cp>答案比很多人直覺上想的更嚴格。這篇研究給出 proper positive-only learning 的完整特徵化，結論不是單靠有限 VC dimension 就夠，而是還要再加上一個新的組合性條件：uniform exterior separability。換句話說，正例學習的可學性，不只是容量問題，還牽涉到概念類在正區域外面的結構。\u003C\u002Fp>\u003Ch2>這篇論文在補哪個洞\u003C\u002Fh2>\u003Cp>一般二元分類裡，訓練資料會同時有正例和負例。但在 positive-only learning 裡，學習器只會拿到來自正區域的 i.i.d. 樣本。這代表資料天生偏掉了：你完全看不到負例，卻還要在原始分布上評估模型表現。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782713880760-9ang.png\" alt=\"正向樣本學習的完整界線\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這個設定不是新東西。摘要提到，這條線可以追溯到 Natarajan 在 1987 年的 STOC 工作。不過，improper learning 的情況早就比較清楚，proper learning 卻一直懸著。也就是說，大家知道「如果你允許學出來的假設不一定屬於原概念類」，很多事情可以做；但如果你堅持 proper，答案就沒那麼簡單。\u003C\u002Fp>\u003Cp>這也是這篇論文真正重要的地方。它補上的不是一個小技巧，而是一個長年未解的理論缺口。對研究者來說，這類結果的價值在於把模糊的可學性問題，\u003Ca href=\"\u002Fnews\u002Fanthropic-mythos-ai-access-by-permit-zh\">變成\u003C\u002Fa>一條明確分界線。能學就是能學，不能學就是不能學，中間不再靠猜。\u003C\u002Fp>\u003Ch2>方法到底怎麼運作\u003C\u002Fh2>\u003Cp>作者是從組合性特徵化的角度切入。摘要沒有把完整證明展開，但核心結論很直接：一個 concept class 能不能從正向樣本 proper learn，必要且充分的條件有兩個。第一，這個類別必須有有限 VC dimension。第二，還要滿足 uniform exterior separability。\u003C\u002Fp>\u003Cp>VC dimension 對做統計學習的人來說不陌生。它描述的是一個假設類有多能分割資料，也就是表達能力有多強。這篇論文沒有推翻這個框架，而是在它旁邊再加上一個新條件。重點是，有限 VC dimension 只能告訴你「容量不要太大」，卻不能保證正向樣本學習在 proper 的要求下真的可行。\u003C\u002Fp>\u003Cp>真正新的地方，就是 uniform exterior separability。摘要沒有公開完整定義，但它明確指出，這個性質和概念類在正區域外的行為有關。白話一點說，學習器只看得到正例時，模型不只要會把正例包住，還要在正區域外維持某種一致的可分性。這個額外條件，正是 proper positive-only learning 成敗的關鍵。\u003C\u002Fp>\u003Cp>論文還引入了新的 combinatorial dimensions。摘要沒有逐一列名，也沒有在公開內容裡給出完整形式化定義，但作者表示這些量可能對更廣泛的 learning theory 有興趣。這通常意味著，研究不只是解一題，而是順手多丟出幾個可用的分析工具。\u003C\u002Fp>\u003Ch2>它實際證明了什麼\u003C\u002Fh2>\u003Cp>這篇文章最重要的成果，是一個 if and only if 的完整判準。這種結果很少是裝飾品。它代表作者不是只給出一個 sufficient condition，而是把邊界整個釘死：proper positive-only learning 何時可行，何時不可行，答案都在這兩個條件裡。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782713876229-cpyd.png\" alt=\"正向樣本學習的完整界線\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這也直接推翻一個過度簡化的直覺：有限 VC dimension 並不夠。很多人看到學習理論時，會自然把 VC dimension 當成主要門檻，但這篇結果說得很清楚，在 positive-only 這個設定下，還要再看概念類的外部結構。少了 uniform exterior separability，光有有限 VC dimension 也沒用。\u003C\u002Fp>\u003Cp>更有意思的是，摘要提到好幾個 separation results。proper learning 和 improper learning 被分開了；randomized proper learning 和 deterministic proper learning 也被分開了。還有一些 concept classes 甚至不存在 empirical risk minimizer，或 ERM learner。甚至在 finite VC dimension 的情況下，也不保證 non-uniform learnability。\u003C\u002Fp>\u003Cp>這些分離結果的重要性在於，它們告訴你 positive-only learning 不是 standard PAC learning 的小變形。它有自己的失敗模式，也有自己的層級結構。以前如果你習慣把「資料少一點」理解成「只是更難優化」，這篇論文會提醒你：不對，問題可能是理論上就不可學。\u003C\u002Fp>\u003Cp>另外要注意，摘要沒有公開完整 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 數字。沒有準確率、沒有樣本複雜度表、也沒有 runtime 數據。這不是實驗論文，所以它的價值不在性能比較，而在把理論邊界說清楚。\u003C\u002Fp>\u003Ch2>對開發者與研究者有什麼影響\u003C\u002Fh2>\u003Cp>如果你的系統本來就只看得到正例，這篇論文的訊息很直接：問題可能卡在學習設定本身，而不是卡在模型訓練技巧。像是負例缺失、負例標註成本太高、或負例根本拿不到的場景，都會碰到類似限制。這時候要問的不只是「模型能不能 fit」，還要問「這個 hypothesis class 在這種回饋模式下到底能不能學」。\u003C\u002Fp>\u003Cp>這對 model selection 很重要。某個 concept class 在標準 supervised learning 下可能沒問題，但一旦改成 positive-only，若它不滿足 uniform exterior separability，就可能整個失效。意思是，你不能只調 training procedure，還要回頭檢查 hypothesis class 本身。\u003C\u002Fp>\u003Cp>對理論研究者來說，這篇也把地圖畫得更細。proper vs. improper、randomized vs. deterministic，這些原本可能被看成次要差異的東西，在 positive-only setting 裡都變成真正的分界線。這會影響後續\u003Ca href=\"\u002Fnews\u002Fanthropic-965b-valuation-ai-stocks-exposure-zh\">怎麼\u003C\u002Fa>研究 weak supervision、one-class 類問題，或其他標籤不完整的學習場景。\u003C\u002Fp>\u003Ch2>限制在哪裡\u003C\u002Fh2>\u003Cp>先講最明顯的限制：摘要沒有提供算法細節。你看不到具體怎麼訓練，也看不到怎麼把 uniform exterior separability 轉成實作步驟。對工程端來說，這代表它不是可以直接拿去部署的 recipe。\u003C\u002Fp>\u003Cp>第二個限制是，這個結果是在 PAC framework 裡談 concept classes。也就是說，如果你的資料有噪聲、不是 i.i.d.、或 supervision 形式更複雜，這個定理未必能直接套用。它是基礎理論，不是通用解法。\u003C\u002Fp>\u003Cp>第三，摘要雖然提到新的 combinatorial dimensions，但沒有公開完整定義與用途細節。這讓人知道它們可能有延伸價值，卻還不能從摘要直接判斷它們在其他任務裡會怎麼用。\u003C\u002Fp>\u003Cul>\u003Cli>proper positive-only learning 的可學性有完整判準，不是只看 VC dimension。\u003C\u002Fli>\u003Cli>uniform exterior separability 是這個設定裡額外必要條件。\u003C\u002Fli>\u003Cli>摘要沒有公開 benchmark、樣本複雜度或實作細節。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>總結來看，這篇論文做的事很純粹，但也很關鍵：它把正向樣本學習的 proper case 變成一個有明確邊界的理論問題。對台灣做 ML 研究的人來說，這種結果的價值不在於立刻上線，而在於幫你判斷一個問題究竟是「還沒調好」，還是「理論上就不成立」。\u003C\u002Fp>","這篇論文給出正向樣本學習的完整判準：只有 VC 維度有限還不夠，還得滿足 uniform exterior separability。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.28309",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782713880760-9ang.png","research","zh","2ae76231-ec2d-48aa-a82f-1d26f1b36882",[17,18,19,20,21],"positive-only learning","proper learning","VC dimension","uniform exterior separability","PAC learning",[23,24,25],"proper positive-only learning 有完整特徵化","有限 VC dimension 不是充分條件","摘要未提供 benchmark 與實作細節",0,"2026-06-29T06:17:33.749889+00:00","2026-06-29T06:17:33.736+00:00","5fa30296-f388-4653-96e0-bc24f62780b7",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"proper-positive-only-learning-characterization-en","Proper positive-only learning gets a full characterization","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"6f5be102-5764-44f1-ab3f-722fc5c32c23","google-deepmind-turns-science-into-tools-zh","Google DeepMind把AI變研究工具","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782721105628-g4op.png","2026-06-29T08:17:57.716568+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"c649adb7-c8ae-4ade-a092-2c0d53beeb71","measuring-llm-behavior-portability-zh","LLM 行為不一定可移植","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782717472977-na8g.png","2026-06-29T07:17:29.597679+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"637c3016-e364-4bfe-904e-5e60a18ed678","prompt-injection-ai-security-problem-zh","Prompt injection 已是 AI 資安問題","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782716580916-m1nm.png","2026-06-29T07:02:36.173749+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"118680f5-6212-4535-986a-50c4a0e71699","solver-choice-nash-equilibrium-selection-zh","求解器會改變納許均衡","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782714784181-t42d.png","2026-06-29T06:32:31.062308+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"89159fcf-2fbb-4b72-9e05-7928e609a925","dexcompose-reuses-dexterous-policies-across-tasks-zh","DexCompose 讓手部技能可重用","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782712975186-mj1e.png","2026-06-29T06:02:28.144402+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"b67223ce-e3cb-4161-9df6-b384e364eb87","hawor-hand-motion-mano-params-zh","HaWoR 把手部重建收斂成 MANO","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782705793656-d9q2.png","2026-06-29T04:02:46.420535+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]