论文提出超越 Grover 与 Bernstein–Vazirani 范式的精确学习量子—经典查询复杂度分离
作者研究概念类精确学习中的确定性、随机化和量子成员查询复杂度，并构造概念类反驳长期猜想：随机查询复杂度的一个下界达到 ，另一个确定性查询复杂度下界达到 。摘要称，这两个界分别与既有上界在常数因子外相匹配，表明随机化在随机查询上界中起关键作用，并首次表明量子学习加速可以超越 Grover 和 Bernstein–Vazirani 范式。
本站判断：基于论文摘要，作者通过构造概念类反驳了随机查询复杂度相对量子查询复杂度的长期猜想，并给出随机化与确定性查询复杂度的分离下界。材料强调这些结果将经典—量子学习分离扩展到 Grover 和 Bernstein–Vazirani 范式之外，但仅凭摘要无法核验证明细节、实验设置或经典查询模型的实际应用影响。