在嘈杂的PAC中，除了奇偶校验以外，是否有其他假设类别，但在SQ中没有？

Angluin和Laird（'88）在“带有随机分类噪声的PAC”（或嘈杂的PAC）模型中使用随机损坏的数据对学习进行形式化。此模型类似于PAC学习，不同之处在于，给学习者的示例的标签被随机随机地破坏（翻转），概率。$\eta < 1/2$

为了帮助表征嘈杂的PAC模型中可学习的内容，Kearns（'93）引入了用于学习的统计查询模型（SQ）。在此模型中，学习者可以查询统计oracle以获取目标分布的属性，并且他表明，可以学习SQ的任何类都可以在嘈杂的PAC中学习。Kearns还证明，对于某些常数，变量的奇偶性不能比更快地学会。$n$$2^{n/c}$$c$

然后Blum等。（'00）分离嘈杂PAC从SQ通过显示在所述第一奇偶校验位是在嘈杂的PAC模型多项式时间可学习而不是在SQ模式。$(\log(n) \log\log(n))$

我的问题是这样的：

在嘈杂的PAC模型中可以学习奇偶校验（在第一个变量上），而在SQ模型中则不能学习。是否有其他特定类别，与平价充分不同，已知在嘈杂的PAC中可学习但在SQ中不可学习？$(\log(n) \log\log(n))$

$d/\epsilon^2$$1/\epsilon$

$1/2-n^{-\epsilon}$