本研究では、計算可能かつおおよそ正確な学習（CPAC）について考察し、学習者が計算可能な関数である必要があることを前提としています。統計学習の基本定理は、Vapnik-Chervonenkis（VC）次元の有限性によりPAC学習可能性を特徴づけますが、本研究はこの枠組みでは成り立たないことを示しています。最近の研究では、計算可能な設定での基本定理の類似が回復されており、効果的VC次元が導入されています。研究結果から、RER（再帰的列挙可能表現）クラスとの関連性を調査し、効果的VC次元は従来のものを超えて任意の値を取ることができ、さまざまなCPAC学習の概念に対する（非）例のファミリーを形成することが明らかになりました。CPAC学習可能性はRERクラスの包含により特徴づけることもでき、唯一の識別特性を満たすCPAC学習可能クラスは必然的にRERであることも確認されました。最後に、RERクラスのために非一様CPAC学習の緩和された概念を考慮することで、認識学習の可能性が保証されることを示しています。