解析布尔函数学习的理论框架，揭示机器学习可学习性的边界条件。

The Probably Approximately Correct Learning Model in Computational Learning Theory

• 基于概率近似正确模型分析布尔函数类的学习能力
• 总结经典学习结果与常见变体的理论进展
• 适合想理解机器学习基础理论的研究者

本文综述了在Valiant提出的概率近似正确（PAC）学习模型及其常见变体中，关于布尔函数类学习的各类已知结果。重点探讨了不同函数类在该框架下的可学习性条件、学习复杂度以及理论界限，系统梳理了从早期经典结论到近年进展的核心成果。内容涵盖有界误差学习、弱学习与强学习的关系、样本复杂度下界等关键主题，为理解计算学习理论中的基本原理提供全面参考。

原文摘要 · Abstract (English)

This survey paper gives an overview of various known results on learning classes of Boolean functions in Valiant's Probably Approximately Correct (PAC) learning model and its commonly studied variants.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。