论文题目：Nonparametric Iterative Machine Teaching
作者：张晨，曹晓锋，刘威杨，Ivor W. Tsang，James T. Kwok
通讯作者：曹晓锋
论文概述：在本文中，我们考虑迭代机器教学（Iterative Machine Teaching, IMT）问题，即教师通过迭代地向学习者提供示例，使得学习者能够快速收敛到目标模型。然而，现有的IMT算法仅基于参数化目标模型族，主要关注参数空间中的收敛性，当目标模型定义为不依赖于参数的函数时，会出现困难。为了解决这种限制，我们研究了一个更一般的任务-非参数迭代机器教学（Nonparametric Iterative Machine Teaching, NIMT），旨在以迭代方式向学习者教授非参数目标模型。与仅在参数空间操作的参数化IMT不同，我们将NIMT作为函数空间中的函数优化问题来考虑。为了解决这个问题，我们提出了随机和贪心的函数教学算法。在合适的假设下，我们获得了随机教学算法的有限迭代教学维度（ITD），它作为NIMT中ITD的统一上界。此外，贪心教学算法具有显着较低的ITD，并达到了NIMT中ITD的更紧的上界。最后，我们通过在非参数场景下进行广泛的实验证实了理论发现的正确性。
