Este artículo estudia el problema de clasificación booleano en estructuras de fondo relacionales dentro del marco lógico presentado por Grohe y Turán. Se sabe que los clasificadores definibles por lógica de primer orden en estructuras de grado logarítmico polinomial pueden aprenderse en tiempo sublineal (Grohe y Ritzert, LICS 2017). Este artículo generaliza el resultado al coeficiente FOCN de primer orden, que Kuske y Schweikardt (LICS 2017) introdujeron como una lógica expresiva que generaliza varias otras lógicas de coeficientes. Específicamente, demostramos que los clasificadores definibles por FOCN en estructuras de grado logarítmico polinomial pueden aprenderse consistentemente en tiempo sublineal. Esto puede verse como un primer paso en la extensión del marco de aprendizaje para incluir aspectos numéricos del aprendizaje automático. Además, extendemos el resultado al aprendizaje de PAC indeterminado para estructuras de grado como máximo $(\log \log n)^c$ para alguna constante c. Además, demostramos la importancia de limitar el grado para obtener algoritmos de aprendizaje en tiempo sublineal. Es decir, para estructuras con grados de precisión ilimitados, demostramos que el aprendizaje en tiempo sublineal es imposible incluso para clasificadores definibles mediante lógica general de primer orden.
