Простыми словами
Модель теории обучения, где алгоритм должен с высокой вероятностью найти гипотезу с малой ошибкой, если получает достаточно примеров. «Probably» относится к вероятности успеха, а «Approximately Correct» — к допустимой ошибке. Например, pAC-анализ отвечает не «выучит ли модель всё идеально», а «сколько примеров нужно, чтобы с высокой вероятностью получить достаточно точную модель». Поэтому результат проверяют на данных и отдельной выборке, а не только на впечатляющем примере - иначе модель может выглядеть убедительно и при этом ошибаться на реальных случаях.
Механизм действия
Сначала проверяют, есть ли исходное условие из определения. Затем смотрят, как оно влияет на условия, ограничения, взаимодействия и наблюдаемые последствия. Если эту связь не удаётся наблюдать, принцип не стоит использовать как готовое объяснение.
Пример в работе
Решение принимают без учета механизма «PAC Learning», оценивая только ближайший эффект.
Перед изменением проверяют, как «PAC Learning» влияет на ограничения, стимулы, зависимости и вторичные последствия.
Ограничения
«PAC Learning» объясняет только часть происходящего в области «AI и машинное обучение». Сам принцип не говорит, насколько сильным будет эффект в вашем случае, и не заменяет измерения. При другом масштабе, среде или временном горизонте результат может отличаться.
Источник
Leslie G. Valiant. A Theory of the Learnable (1984).