การเรียนรู้พาริตีเป็นปัญหาหนึ่งในแมชชีนเลิร์นนิง อัลกอริทึมที่แก้ปัญหานี้จะต้องหาฟังก์ชันƒโดยกำหนดตัวอย่าง ( x ,  ƒ ( x )) และรับประกันว่าƒคำนวณพาริตีของบิตที่ตำแหน่งคงที่บางตำแหน่ง ตัวอย่างเหล่านี้สร้างขึ้นโดยใช้การแจกแจงบางอย่างบนข้อมูลอินพุต ปัญหานี้แก้ได้ง่ายโดยใช้การกำจัดแบบเกาส์เซียนหากอัลกอริทึมได้รับตัวอย่างจำนวนมากเพียงพอ (จากการแจกแจงที่ไม่เบี่ยงเบนมากเกินไป)

ในการเรียนรู้ความเท่าเทียมกันด้วยสัญญาณรบกวน (LPN) ตัวอย่างอาจมีข้อผิดพลาดอยู่บ้าง แทนที่จะใช้ตัวอย่าง ( x ,  ƒ ( x )) อัลกอริทึมจะได้รับ ( x ,  y ) โดยที่ เป็นค่าบูลีนแบบสุ่ม${\displaystyle b\in \{0,1\}}$

${\displaystyle y={\begin{cases}f(x),&{\text{ถ้า }}b\\1-f(x),&{\text{มิฉะนั้น}}\end{cases}}}$

คาดว่าปัญหาการเรียนรู้ความเท่าเทียมกันแบบมีเสียงรบกวนนั้นยาก^{[ 1 ]}และมีการใช้กันอย่างแพร่หลายในด้านการเข้ารหัส^{[ 2 ]}

• การเรียนรู้จากความผิดพลาด