[LG]《Optimal Rates for Learning with Monotone Adversaries》A Mehrotra [Stanford University] (2026)

在机器学习理论领域，单调对抗学习的最优误差率是一个悬而未决的难题。过去的方法受困于一个无法消除的对数级额外误差，本质原因是，对抗者可根据原始样本构造增补数据，破坏了学习器赖以泛化的数据可交换性假设。

本文的核心洞见是：把该问题从“寻找更优算法”，重新看作一个“证明信息论上的不可区分性”问题。由此，通过显式构造一个先验和假设类，使得两个差异显著的真实假设能生成完全相同的样本数据，这一关键操作锁定了误差的下界。

这项工作真正留下的遗产是：一个算法无关的证明，即便是添加正确标记的数据，也可能因破坏数据对称性而使学习在对数意义上变慢。它为后来者打开的新门是对数据筛选、增强等“无害”操作的泛化风险进行定量分析，但尚未跨过的门槛是精确刻画误差率从最优到次优的相变边界。

arxiv.org/abs/2608.06337 机器学习 人工智能 论文 AI创造营