配图一解：环的左边把黑白球分拣开，右边照着画出一颗挑不出假的球。亮球沿环一圈圈跑，每绕一圈就换一次标签分布再问一次。只问一趟，两边接不上。
调研补三事
- 论文 arXiv:2611.05346，11 月 3 日 18:45:38 UTC 提交，cs.LG 加 cs.CC 加 cs.DS。六位作者分散在 Stanford（Casacuberta、Reingold）、Apple（Gopalan）、Oxford（Kanade）、IAS（Stavropoulos）、Harvard（Tankala），后两位注明工作完成于 Apple 实习期间。
- 主定理给了数。从 (C, Ω(ε²))-multiaccuracy oracle 做 (C, ε)-agnostic learning，要 O(1/ε⁵) 次调用；反方向此前已知，来自正则性引理与 boosting 式构造，只要 O(1/ε²) 次。所谓等价，指两个方向的 oracle 归约都只带 poly(1/ε) 的开销。论文把这条此前空着的方向补上了。
- 为什么非得反复问？前人（文献 [8]）证明过 anti-calibration：存在 multiaccurate 预测器，即便在它自己的输出值条件下，真标签仍是均匀随机，于是任何单次后处理都胜不过瞎猜。本文绕开它的法子是自适应改标签分布——每轮拿上一轮的预测混出新的条件标签，用 follow-the-leader 把历次回答加权聚合，最后在迭代结果上随机化挑。顺带把更贵的目标也拉下来了：旧路径先 agnostic 再做 multicalibration 要 O(1/ε⁸) 次 conditional multiaccuracy 调用，本文 Theorem 1.4 用 O(1/ε³) 就拿到 multicalibration 与 swap multicalibration，omniprediction 跟着一起来。