طبق مقاله «یادگیری آگنوستیک از راه تقلید»، پیش‌چاپی در arXiv به تاریخ ۳ نوامبر ۲۰۲۶، دو تعریف از موفقیت در یادگیری ماشین، تحت فرض‌های مشخص درباره اوراکل، از نظر پیچیدگی آماری و محاسباتی هم‌ارزند. سیلویا کاساکوبرتا و همکارانش یک کاهش نظری ارائه می‌کنند که یادگیری آگنوستیک و چنددقتی را به هم پیوند می‌دهد. داوری همتای این اثر تأیید نشده است.
یادگیری آگنوستیک به دنبال پیش‌بینی‌کننده‌ای است که خطای مطلق مورد انتظار آن حداکثر به اندازه آستانه ε از بهترین تابع در رده مقایسه‌ای منتخب C بیشتر باشد، بدون آنکه فرض شود این رده پیش‌بینی‌کننده‌ای بی‌نقص دارد. در مقابل، چنددقتی ایجاب می‌کند قدر مطلق همبستگی خطاهای پیش‌بینی با هر تابع در C حداکثر ε باشد. تفسیر مولد آن، تولید برچسب‌های دودویی مصنوعی برای ویژگی‌های موجود است؛ به‌گونه‌ای که این برچسب‌ها از دید ناظران محدودِ بازنمایی‌شده با C، با برچسب‌های واقعی سازگار به نظر برسند.
این پژوهش به جای آزمایش از ساخت‌های ریاضی استفاده می‌کند. فرض‌های آن شامل نمونه‌های برچسب‌دار مستقل، برچسب‌های دودویی و توزیع ثابت و معلوم ویژگی‌هاست، در حالی که توزیع‌های شرطی برچسب‌ها می‌توانند دلخواه باشند. اوراکل زیرروالی است که فرض می‌شود مسئله‌ای مشخص را با تضمین‌های لازم حل می‌کند؛ کاهش توضیح می‌دهد چگونه دسترسی به چنین حل‌کننده‌ای می‌تواند برای حل مسئله‌ای دیگر به کار رود.
قضیه اصلی، یادگیرنده‌ای آگنوستیک با خطای مطلق مورد انتظارِ اضافی حداکثر ε ارائه می‌کند که از O(ε^-5) فراخوانی اوراکل چنددقتی با آستانه Ω(ε²) استفاده می‌کند. کاهش معکوس که پیش‌تر شناخته شده بود، به O(ε^-2) فراخوانی اوراکل یادگیری آگنوستیک با آستانه Ω(ε) نیاز دارد. این دو نتیجه در کنار هم، هم‌ارزی با سربار چندجمله‌ای را برای هر توزیع ویژگی و هر رده مدل C برقرار می‌کنند. این کران‌های مجانبی تعداد فراخوانی، زمان‌های اندازه‌گیری‌شده آموزش نیستند.
جهت جدید کاهش به پرس‌وجوهای تطبیقی وابسته است: درخواست‌های بعدی به پیش‌بینی‌های قبلی بستگی دارند. این ساخت، ضمن حفظ توزیع ویژگی‌ها، توزیع‌های برچسب را تغییر می‌دهد، تضمین‌های چنددقتی شرطی می‌سازد و با استفاده از ایده‌های یادگیری آنلاین بدون پشیمانی، پیش‌بینی‌ها را ترکیب می‌کند. اهمیت این موضوع در آن است که پژوهش‌های پیشین نشان داده بودند صرفاً پس‌پردازش یک پیش‌بینی‌کننده چنددقیق ممکن است نتواند از حدس تصادفی بهتر عمل کند.
نویسندگان همچنین گسترش‌هایی به چندکالیبراسیونی تعویضی و همه‌پیش‌بینی تعویضی گزارش می‌کنند؛ تضمین‌هایی قوی‌تر درباره کالیبراسیون و عملکرد در تابع‌های زیان مختلف. آنان می‌گویند این کاهش در چارچوب پرس‌وجوی آماری نیز کار می‌کند و در نتیجه، کران‌های پایین متناظر برای یادگیری آگنوستیک به چنددقتی منتقل می‌شوند.
این نتیجه برای هر رده مدل، اوراکل چنددقتی کارآمدی فراهم نمی‌کند و سرعت عملی، بهبود در بنچمارک‌ها یا قابلیت اتکا در دنیای واقعی را اثبات نمی‌کند. چارچوب برچسب‌های مصنوعی آن نیز تولید داده همه‌منظوره را ثابت نمی‌کند. بخش ارائه‌شده هیچ ارزیابی تجربی گزارش نمی‌کند و با وجود آثار مخدوش‌شدگی در نمایش متن، در میانه مرور الگوریتم پایان می‌یابد؛ بنابراین اثبات‌های کامل، کران‌های تفصیلی تعداد نمونه و زمان اجرا، و قضیه‌های رسمی گسترش‌ها برای ارزیابی در دسترس نبودند.
تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.