Learning theory An approximation theory

viewpoint 1st Edition Felipe Cucker pdf download

https://ebookfinal.com/download/learning-theory-an-approximation-
theory-viewpoint-1st-edition-felipe-cucker/

Explore and download more ebooks or textbooks

at ebookfinal.com
Here are some recommended products for you. Click the link to
download, or explore more at ebookfinal

History of Approximation Theory From Euler to Bernstein

1st Edition Karl-Georg Steffens

https://ebookfinal.com/download/history-of-approximation-theory-from-
euler-to-bernstein-1st-edition-karl-georg-steffens/

The mathematical theory of cosmic strings cosmic strings

in the wire approximation 1st Edition M. R. Anderson

https://ebookfinal.com/download/the-mathematical-theory-of-cosmic-
strings-cosmic-strings-in-the-wire-approximation-1st-edition-m-r-
anderson/

Clinical Applications of Learning Theory 1st Edition Mark

Haselgrove

https://ebookfinal.com/download/clinical-applications-of-learning-
theory-1st-edition-mark-haselgrove/

Jesus An Historical Approximation José A. Pagola

https://ebookfinal.com/download/jesus-an-historical-approximation-
jose-a-pagola/
Adult Learning Linking Theory and Practice Sharan B.
Merriam

https://ebookfinal.com/download/adult-learning-linking-theory-and-
practice-sharan-b-merriam/

Online Collaborative Learning Theory and Practice Tim S.

Roberts

https://ebookfinal.com/download/online-collaborative-learning-theory-
and-practice-tim-s-roberts/

The Theory and Practice of Learning 2nd Edition Peter

Jarvis

https://ebookfinal.com/download/the-theory-and-practice-of-
learning-2nd-edition-peter-jarvis/

An Introduction to Nonlinear Optimization Theory Durea

https://ebookfinal.com/download/an-introduction-to-nonlinear-
optimization-theory-durea/

Literary Theory An Introduction 2nd Edition Terry Eagleton

https://ebookfinal.com/download/literary-theory-an-introduction-2nd-
edition-terry-eagleton/
Learning theory An approximation theory viewpoint 1st
Edition Felipe Cucker Digital Instant Download
Author(s): Felipe Cucker, Ding Xuan Zhou
ISBN(s): 9780521865593, 052186559X
Edition: 1
File Details: PDF, 1.47 MB
Year: 2007
Language: english
This page intentionally left blank
CAMBRIDGE MONOGRAPHS ON
APPLIED AND COMPUTATIONAL
MATHEMATICS

Series Editors
M. J. ABLOWITZ, S. H. DAVIS, E. J. HINCH, A. ISERLES,
J. OCKENDEN, P. J. OLVER

Learning Theory:
An Approximation Theory Viewpoint
The Cambridge Monographs on Applied and Computational Mathematics reflect the
crucial role of mathematical and computational techniques in contemporary science.
The series publishes expositions on all aspects of applicable and numerical mathematics,
with an emphasis on new developments in this fast-moving area of research.
State-of-the-art methods and algorithms as well as modern mathematical descriptions
of physical and mechanical ideas are presented in a manner suited to graduate research
students and professionals alike. Sound pedagogical presentation is a prerequisite. It is
intended that books in the series will serve to inform a new generation of researchers.
Within the series will be published titles in the Library of Computational
Mathematics, published under the auspices of the Foundations of Computational
Mathematics organisation. Learning Theory: An Approximation Theory View Point
is the first title within this new subseries.
The Library of Computational Mathematics is edited by the following editorial board:
Felipe Cucker (Managing Editor) Ron Devore, Nick Higham, Arieh Iserles, David
Mumford, Allan Pinkus, Jim Renegar, Mike Shub.

Also in this series:

A practical Guide to Pseudospectral Methods, Bengt Fornberg
Dynamical Systems and Numerical Analysis, A. M. Stuart and A. R. Humphries
Level Set Methods, J. A. Sethian
The Numerical Solution of Integral Equations of the Second Kind,
Kendall E. Atkinson
Orthogonal Rational Functions, Adhemar Bultheel, Pablo González-Vera,
Erik Hendriksen, and Olav Njåstad
Theory of Composites, Graeme W. Milton
Geometry and Topology for Mesh Generation, Herbert Edelsbrunner
Schwarz-Christoffel Mapping, Tobin A. Driscoll and Lloyd N. Trefethen
High-Order Methods for Incompressible Fluid, M.O. Deville,
E.H. Mund and P. Fisher
Practical Extrapolation Methods, Avram Sidi
Generalized Riemann Problems in Computational Fluid Dynamics,
M. Ben-Artzi and J. Falcovtz
Radial Basis Functions, Martin Buhmann
Learning Theory: An Approximation
Theory Viewpoint

FELIPE CUCKER
City University of Hong Kong
DING-XUAN ZHOU
City University of Hong Kong
CAMBRIDGE UNIVERSITY PRESS
Cambridge, New York, Melbourne, Madrid, Cape Town, Singapore, São Paulo

Cambridge University Press

The Edinburgh Building, Cambridge CB2 8RU, UK
Published in the United States of America by Cambridge University Press, New York
www.cambridge.org
Information on this title: www.cambridge.org/9780521865593

© Cambridge University Press 2007

This publication is in copyright. Subject to statutory exception and to the provision of

relevant collective licensing agreements, no reproduction of any part may take place
without the written permission of Cambridge University Press.

First published in print format 2007

ISBN-13 978-0-511-27551-7 eBook (NetLibrary)

ISBN-10 0-511-27551-X eBook (NetLibrary)

ISBN-13 978-0-521-86559-3 hardback

ISBN-10 0-521-86559-X hardback

Cambridge University Press has no responsibility for the persistence or accuracy of urls
for external or third-party internet websites referred to in this publication, and does not
guarantee that any content on such websites is, or will remain, accurate or appropriate.
 Contents

Foreword ix
Preface xi

1 The framework of learning 1

1.1 Introduction 1
1.2 A formal setting 5
1.3 Hypothesis spaces and target functions 9
1.4 Sample, approximation, and generalization errors 11
1.5 The bias–variance problem 13
1.6 The remainder of this book 14
1.7 References and additional remarks 15
2 Basic hypothesis spaces 17
2.1 First examples of hypothesis space 17
2.2 Reminders I 18
2.3 Hypothesis spaces associated with Sobolev spaces 21
2.4 Reproducing Kernel Hilbert Spaces 22
2.5 Some Mercer kernels 24
2.6 Hypothesis spaces associated with an RKHS 31
2.7 Reminders II 33
2.8 On the computation of empirical target functions 34
2.9 References and additional remarks 35
3 Estimating the sample error 37
3.1 Exponential inequalities in probability 37
3.2 Uniform estimates on the defect 43
3.3 Estimating the sample error 44
3.4 Convex hypothesis spaces 46
3.5 References and additional remarks 49

v
vi Contents

4 Polynomial decay of the approximation error 54

4.1 Reminders III 55
4.2 Operators defined by a kernel 56
4.3 Mercer’s theorem 59
4.4 RKHSs revisited 61
4.5 Characterizing the approximation error in RKHSs 63
4.6 An example 68
4.7 References and additional remarks 69
5 Estimating covering numbers 72
5.1 Reminders IV 73
5.2 Covering numbers for Sobolev smooth kernels 76
5.3 Covering numbers for analytic kernels 83
5.4 Lower bounds for covering numbers 101
5.5 On the smoothness of box spline kernels 106
5.6 References and additional remarks 108
6 Logarithmic decay of the approximation error 109
6.1 Polynomial decay of the approximation error for C ∞
kernels 110
6.2 Measuring the regularity of the kernel 112
6.3 Estimating the approximation error in RKHSs 117
6.4 Proof of Theorem 6.1 125
6.5 References and additional remarks 125
7 On the bias–variance problem 127
7.1 A useful lemma 128
7.2 Proof of Theorem 7.1 129
7.3 A concrete example of bias–variance 132
7.4 References and additional remarks 133
8 Least squares regularization 134
8.1 Bounds for the regularized error 135
8.2 On the existence of target functions 139
8.3 A first estimate for the excess generalization error 140
8.4 Proof of Theorem 8.1 148
8.5 Reminders V 151
8.6 Compactness and regularization 151
8.7 References and additional remarks 155
9 Support vector machines for classification 157
9.1 Binary classifiers 159
 Contents vii

9.2 Regularized classifiers 161

9.3 Optimal hyperplanes: the separable case 166
9.4 Support vector machines 169
9.5 Optimal hyperplanes: the nonseparable case 171
9.6 Error analysis for separable measures 173
9.7 Weakly separable measures 182
9.8 References and additional remarks 185
10 General regularized classifiers 187
10.1 Bounding the misclassification error in terms of the
generalization error 189
10.2 Projection and error decomposition 194
10.3 Bounds for the regularized error D(γ , φ) of fγ 196
10.4 Bounds for the sample error term involving fγ 198
φ
10.5 Bounds for the sample error term involving fz,γ 201
10.6 Stronger error bounds 204
10.7 Improving learning rates by imposing noise conditions 210
10.8 References and additional remarks 211

References 214
Index 222
 Foreword

This book by Felipe Cucker and Ding-Xuan Zhou provides solid mathematical
foundations and new insights into the subject called learning theory.
Some years ago, Felipe and I were trying to find something about brain
science and artificial intelligence starting from literature on neural nets. It was
in this setting that we encountered the beautiful ideas and fast algorithms of
learning theory. Eventually we were motivated to write on the mathematical
foundations of this new area of science.
I have found this arena to with its new challenges and growing number of
application, be exciting. For example, the unification of dynamical systems and
learning theory is a major problem.Another problem is to develop a comparative
study of the useful algorithms currently available and to give unity to these
algorithms. How can one talk about the “best algorithm” or find the most
appropriate algorithm for a particular task when there are so many desirable
features, with their associated trade-offs? How can one see the working of
aspects of the human brain and machine vision in the same framework?
I know both authors well. I visited Felipe in Barcelona more than 13 years
ago for several months, and when I took a position in Hong Kong in 1995, I
asked him to join me. There Lenore Blum, Mike Shub, Felipe, and I finished
a book on real computation and complexity. I returned to the USA in 2001,
but Felipe continues his job at the City University of Hong Kong. Despite the
distance we have continued to write papers together. I came to know Ding-Xuan
as a colleague in the math department at City University. We have written a
number of papers together on various aspects of learning theory. It gives me
great pleasure to continue to work with both mathematicians. I am proud of our
joint accomplishments.
I leave to the authors the task of describing the contents of their book. I will
give some personal perspective on and motivation for what they are doing.

ix
x Foreword

Computational science demands an understanding of fast, robust algorithms.

The same applies to modern theories of artificial and human intelligence. Part of
this understanding is a complexity-theoretic analysis. Here I am not speaking of
a literal count of arithmetic operations (although that is a by-product), but rather
to the question: What sample size yields a given accuracy? Better yet, describe
the error of a computed hypothesis as a function of the number of examples,
the desired confidence, the complexity of the task to be learned, and variants
of the algorithm. If the answer is given in terms of a mathematical theorem, the
practitioner may not find the result useful. On the other hand, it is important
for workers in the field or leaders in laboratories to have some background
in theory, just as economists depend on knowledge of economic equilibrium
theory. Most important, however, is the role of mathematical foundations and
analysis of algorithms as a precursor to research into new algorithms, and into
old algorithms in new and different settings.
I have great confidence that many learning-theory scientists will profit from
this book. Moreover, scientists with some mathematical background will find
in this account a fine introduction to the subject of learning theory.
Stephen Smale
Chicago
 Preface

Broadly speaking, the goal of (mainstream) learning theory is to approximate

a function (or some function features) from data samples, perhaps perturbed
by noise. To attain this goal, learning theory draws on a variety of diverse
subjects. It relies on statistics whose purpose is precisely to infer information
from random samples. It also relies on approximation theory, since our estimate
of the function must belong to a prespecified class, and therefore the ability
of this class to approximate the function accurately is of the essence. And
algorithmic considerations are critical because our estimate of the function is
the outcome of algorithmic procedures, and the efficiency of these procedures
is crucial in practice. Ideas from all these areas have blended together to form
a subject whose many successful applications have triggered its rapid growth
during the past two decades.
This book aims to give a general overview of the theoretical foundations of
learning theory. It is not the first to do so. Yet we wish to emphasize a viewpoint
that has drawn little attention in other expositions, namely, that of approximation
theory. This emphasis fulfills two purposes. First, we believe it provides a
balanced view of the subject. Second, we expect to attract mathematicians
working on related fields who find the problems raised in learning theory close
to their interests.
While writing this book, we faced a dilemma common to the writing of any
book in mathematics: to strike a balance between clarity and conciseness. In
particular, we faced the problem of finding a suitable degree of self-containment
for a book relying on a variety of subjects. Our solution to this problem consists
of a number of sections, all called “Reminders,” where several basic notions
and results are briefly reviewed using a unified notation.
We are indebted to several friends and colleagues who have helped us in
many ways. Steve Smale deserves a special mention. We first became interested
in learning theory as a result of his interest in the subject, and much of the

xi
xii Preface

material in this book comes from or evolved from joint papers we wrote with
him. Qiang Wu, Yiming Ying, Fangyan Lu, Hongwei Sun, Di-Rong Chen,
Song Li, Luoqing Li, Bingzheng Li, Lizhong Peng, and Tiangang Lei regularly
attended our weekly seminars on learning theory at City University of Hong
Kong, where we exposed early drafts of the contents of this book. They, and
José Luis Balcázar, read preliminary versions and were very generous in their
feedback. We are indebted also to David Tranah and the staff of Cambridge
University Press for their patience and willingness to help. We have also been
supported by the University Grants Council of Hong Kong through the grants
CityU 1087/02P, 103303, and 103704.
 1
The framework of learning

1.1 Introduction
We begin by describing some cases of learning, simplified to the extreme, to
convey an intuition of what learning is.

Case 1.1 Among the most used instances of learning (although not necessarily
with this name) is linear regression. This amounts to finding a straight line that
best approximates a functional relationship presumed to be implicit in a set of
data points in R2 , {(x1 , y1 ), (x2 , y2 ), . . . , (xm , ym )} (Figure 1.1). The yardstick
used to measure how good an approximation a given line Y = aX + b is, is
called least squares. The best line is the one that minimizes

m
Q(a, b) = (yi − axi − b)2 .
i=1

Figure 1.1

1
2 1 The framework of learning

Case 1.2 Case 1.1 readily extends to a classical situation in science, namely,
that of learning a physical law by curve fitting to data. Assume that the law at
hand, an unknown function f : R → R, has a specific form and that the space
of all functions with this form can be parameterized by N real numbers. For
instance, if f is assumed to be a polynomial of degree d , then N = d +1 and the
parameters are the unknown coefficients w0 , . . . , wd of f . In this case, finding
the best fit by the least squares method estimates the unknown f from a set
of pairs {(x1 , y1 ), . . . , (xm , ym )}. If the measurements generating this set were
exact, then yi would be equal to f (xi ). However, in general one expects the
values yi to be affected by noise. That is, yi = f (xi ) + ε, where ε is a random
variable (which may depend on xi ) with mean zero. One then computes the
vector of coefficients w such that the value

m

d
(fw (xi ) − yi )2 , with fw (x) = wj x j
i=1 j=0

is minimized, where, typically, m > N . In general, the minimum value above is

not 0. To solve this minimization problem, one uses the least squares technique,
a method going back to Gauss and Legendre that is computationally efficient
and relies on numerical linear algebra.
Since the values yi are affected by noise, one might take as starting point,
instead of the unknown f , a family of probability measures εx on R varying
with x ∈ R. The only requirement on these measures is that for all x ∈ R, the
mean of εx is f (x). Then yi is randomly drawn from εxi . In some contexts the
xi , rather than being chosen, are also generated by a probability measure ρX
on R. Thus, the starting point could even be a single measure ρ on R × R –
capturing both the measure ρX and the measures εx for x ∈ R – from which the
pairs (xi , yi ) are randomly drawn.
A more general form of the functions in our approximating class could be
given by

N
fw (x) = wi φi (x),
i=1

where the φi are the elements of a basis of a specific function space, not
necessarily of polynomials.

Case 1.3 The training of neural networks is an extension of Case 1.2. Roughly
speaking, a neural network is a directed graph containing some input nodes,
some output nodes, and some intermediate nodes where certain functions are
 1.1 Introduction 3

computed. If X denotes the input space (whose elements are fed to the input
nodes) and Y the output space (of possible elements returned by the output
nodes), a neural network computes a function from X to Y . The literature on
neural networks shows a variety of choices for X and Y , which can be continuous
or discrete, as well as for the functions computed at the intermediate nodes. A
common feature of all neural nets, though, is the dependence of these functions
on a set of parameters, usually called weights, w = {wj }j∈J . This set determines
the function fw : X → Y computed by the network.
Neural networks are trained to learn functions. As in Case 1.2, there is a
target function f : X → Y , and the network is given a set of randomly chosen
pairs (x1 , y1 ), . . . , (xm , ym ) in X × Y . Then, training algorithms select a set of
weights w attempting to minimize some distance from fw to the target function
f :X → Y.

Case 1.4 A standard example of pattern recognition involves handwritten

characters. Consider the problem of classifying handwritten letters of the
English alphabet. Here, elements in our space X could be matrices with entries
in the interval [0, 1] – each entry representing a pixel in a certain gray scale of a
digitized photograph of the handwritten letter or some features extracted from
the letter. We may take Y to be
 


26

26
Y = y∈R 26
|y= λi ei such that λi = 1 .
i=1 i=1

Here ei is the ith coordinate vector in R26 , each coordinate corresponding to

a letter. If  ⊂ Y is the set of points y as above such that 0 ≤ λi ≤ 1, for
i = 1, . . . , 26, one can interpret a point in  as a probability measure on the set
{A, B, C, . . . , X, Y, Z}. The problem is to learn the ideal function f : X → Y that
associates, to a given handwritten letter x, a linear combination of the ei with
coefficients {Prob{x = A}, Prob{x = B}, . . . , Prob{x = Z}}. Unambiguous
letters are mapped into a coordinate vector, and in the (pure) classification
problem f takes values on these ei . “Learning f ” means finding a sufficiently
good approximation of f within a given prescribed class.
The approximation of f is constructed from a set of samples of handwritten
letters, each of them with a label in Y . The set {(x1 , y1 ), . . . , (xm , ym )} of these
m samples is randomly drawn from X × Y according to a measure ρ on X × Y .
This measure satisfies ρ(X × ) = 1. In addition, in practice, it is concentrated
around the set of pairs (x, y) with y = ei for some 1 ≤ i ≤ 26. That is, the
occurring elements x ∈ X are handwritten letters and not, say, a digitized image
of the Mona Lisa. The function f to be learned is the regression function fρ of ρ.
4 1 The framework of learning

That is, fρ (x) is the average of the y values of {x} × Y (we are more precise
about ρ and the regression function in Section 1.2).
Case 1.5 A standard approach for approximating characteristic (or indicator)
functions of sets is known as PAC learning (from “probably approximately
correct”). Let T (the target concept) be a subset of Rn and ρX be a probability
measure on Rn that we assume is not known in advance. Intuitively, a set
S ⊂ Rn approximates T when the symmetric difference ST = (S \ T ) ∪
(T \ S) is small, that is, has a small measure. Note that if fS and fT denote the
characteristic
 functions of S and T , respectively, this measure, called the error
of S, is Rn |fS − fT | d ρX . Note that since the functions take values in {0, 1},
only this integral coincides with Rn (fS − fT )2 d ρX .
Let C be a class of subsets of Rn and assume that T ∈ C. One strategy for
constructing an approximation of T in C is the following. First, draw points
x1 , . . . , xm ∈ Rn according to ρX and label each of them with 1 or 0 according
to whether they belong to T . Second, compute any function fS : Rn → {0, 1},
fS ∈ C, that coincides with this labeling over {x1 , . . . , xm }. Such a function will
provide a good approximation S of T (small error with respect to ρX ) as long
as m is large enough and C is not too wild. Thus the measure ρX is used in both
capacities, governing the sample drawing and measuring the error set ST .
A major goal in PAC learning is to estimate how large m needs to be to obtain
an ε approximation of T with probability at least 1 − δ as a function of ε and δ.
The situation described above is noise free since each randomly drawn point
xi ∈ Rn is correctly labeled. Extensions of PAC learning allowing for labeling
mistakes with small probability exist.
Case 1.6 (Monte Carlo integration) An early instance of randomization in
algorithmics appeared in numerical  integration. Let f : [0, 1]n → R. One way
of approximating the integral x∈[0,1]n f (x) dx consists of randomly drawing
points x1 , . . . , xm ∈ [0, 1]n and computing

1

m
Im (f ) = f (xi ).
m
i=1

Under mild conditions on the regularity of f , Im (f ) → f with probability 1;
that is, for all ε > 0,
   
 
lim Prob Im (f ) − f (x) dx > ε → 0.
m→∞ x1 ,...,xm x∈[0,1]n

Again we find the theme of learning an object (here a single real number,
although defined in a nontrivial way through f ) from a sample. In this case
 1.2 A formal setting 5

the measure governing the sample is known (the measure in [0, 1]n inherited
from the standard Lebesgue measure on Rn ), but the same idea can be used
for an unknown measure. If ρX is a probability  measure on X ⊂ Rn , a
domain or manifold, Im (f ) will approximate x∈X f (x) d ρX for large m with
high probability as long as the points x1 , . . . , xm are drawn from X according to
the measure ρX . Note that no noise is involved here. An extension of this idea
to include noise is, however, possible.
A common characteristic of Cases 1.2–1.5 is the existence of both an
“unknown” function f : X → Y and a probability measure allowing one
to randomly draw points in X × Y . That measure can be on X (Case 1.5), on Y
varying with x ∈ X (Cases 1.2 and 1.3), or on the product X ×Y (Case 1.4). The
only requirement it satisfies is that, if for x ∈ X a point y ∈ Y can be randomly
drawn, then the expected value of y is f (x). That is, the noise is centered at zero.
Case 1.6 does not follow this pattern. However, we have included it since it is
a well-known algorithm and shares the flavor of learning an unknown object
from random data.
The development in this book, for reasons of unity and generality, is based on
a single measure on X × Y . However, one should keep in mind the distinction
between “inputs” x ∈ X and “outputs” y ∈ Y .

1.2 A formal setting

Since we want to study learning from random sampling, the primary object in
our development is a probability measure ρ governing the sampling that is not
known in advance.
Let X be a compact metric space (e.g., a domain or a manifold in Euclidean
space) and Y = Rk . For convenience we will take k = 1 for the time being. Let
ρ be a Borel probability measure on Z = X × Y whose regularity properties
will be assumed as required. In the following we try to utilize concepts formed
naturally and solely from X , Y , and ρ.
Throughout this book, if ξ is a random variable (i.e., a real-valued function
on a probability space Z), we will use E(ξ ) to denote the expected value (or
average, or mean) of ξ and σ 2 (ξ ) to denote its variance. Thus

E(ξ ) = ξ(z) dp and σ 2 (ξ ) = E((ξ − E(ξ ))2 ) = E(ξ 2 ) − (E(ξ ))2 .
z∈Z

A central concept in the next few chapters is the generalization error (or
least squares error or, if there is no risk of ambiguity, simply error) of f , for
6 1 The framework of learning

f : X → Y , defined by

E(f ) = Eρ (f ) = (f (x) − y)2 d ρ.
Z

For each input x ∈ X and output y ∈ Y , (f (x) − y)2 is the error incurred through
the use of f as a model for the process producing y from x. This is a local error.
By integrating over X × Y (w.r.t. ρ, of course) we average out this local error
over all pairs (x, y). Hence the word “error” for E(f ).
The problem posed is: What is the f that minimizes the error E(f )? To answer
this question we note that the error E(f ) naturally decomposes as a sum. For
every x ∈ X , let ρ(y|x) be the conditional (w.r.t. x) probability measure on Y .
Let also ρX be the marginal probability measure of ρ on X , that is, the measure
on X defined by ρX (S) = ρ(π −1 (S)), where π : X × Y → X is the projection.
For every integrable function ϕ : X × Y → R a version of Fubini’s theorem
relates ρ, ρ(y|x), and ρX as follows:
  
ϕ(x, y) d ρ = ϕ(x, y) d ρ(y|x) d ρX .
X ×Y X Y

This “breaking” of ρ into the measures ρ(y|x) and ρX corresponds to looking

at Z as a product of an input domain X and an output set Y . In what follows,
unless otherwise specified, integrals are to be understood as being over ρ, ρ(y|x)
or ρX .
Define fρ : X → Y by

fρ (x) = y d ρ(y|x).
Y

The function fρ is called the regression function of ρ. For each x ∈ X , fρ (x) is

the average of the y coordinate of {x} × Y (in topological terms, the average of y
on the fiber of x). Regularity hypotheses on ρ will induce regularity properties
on fρ .
We will assume throughout this book that fρ is bounded .
Fix x ∈ X and consider the function from Y to R mapping y into (y − fρ (x)).
Since the expected value of this function is 0, its variance is

σ (x) = (y − fρ (x))2 d ρ(y|x).
2
Y

Now average over X , to obtain


σρ2 = σ 2 (x) d ρX = E(fρ ).
X
 1.2 A formal setting 7

The number σρ2 is a measure of how well conditioned ρ is, analogous to the
notion of condition number in numerical linear algebra.

Remark 1.7
(i) It is important to note that whereas ρ and fρ are generally “unknown,” ρX
is known in some situations and can even be the Lebesgue measure on X
inherited from Euclidean space (as in Cases 1.2 and 1.6).
(ii) In the remainder of this book, if formulas do not make sense or ∞ appears,
then the assertions where these formulas occur should be considered
vacuous.

Proposition 1.8 For every f : X → Y ,


E(f ) = (f (x) − fρ (x))2 d ρX + σρ2 .
X

Proof From the definition of fρ (x) for each x ∈ X , Y (fρ (x)−y) = 0. Therefore,

E(f ) = (f (x) − fρ (x) + fρ (x) − y)2
Z
  
= (f (x) − fρ (x))2 + (fρ (x) − y)2
X X Y
 
+2 (f (x) − fρ (x))(fρ (x) − y)
X Y
  
= (f (x) − fρ (x)) + σρ + 2 (f (x) − fρ (x)) (fρ (x) − y)
2 2
X X Y

= (f (x) − fρ (x))2 + σρ2 .
X

1
The first term on the right-hand side of Proposition 1.8 provides an average
(over X ) of the error suffered from the use of f as a model for fρ . In addition,
since σρ2 is independent of f , Proposition 1.8 implies that fρ has the smallest
possible error among all functions f : X → Y . Thus σρ2 represents a lower
bound on the error E and it is due solely to our primary object, the measure ρ.
Thus, Proposition 1.8 supports the following statement:
The goal is to “learn” (i.e., to find a good approximation of) fρ from random
samples on Z.

1 Throughout this book, the square
denotes the end of a proof or the fact that no proof is given.
Discovering Diverse Content Through
Random Scribd Documents
The Project Gutenberg eBook of Farkasvér
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Farkasvér

Author: Jack London

Translator: Mária Dobosi-Pécsi

Release date: April 27, 2020 [eBook #61960]

Most recently updated: October 17, 2024

Language: Hungarian

Credits: E-text prepared by Albert László from page images

generously made available by HathiTrust Digital Library
(https://www.hathitrust.org/)

*** START OF THE PROJECT GUTENBERG EBOOK FARKASVÉR ***

 The Project Gutenberg eBook, Farkasvér, by Jack London,
Translated by Mária Dobosi Pécsi

Megjegyzések:

Facebook oldalunk: http://www.facebook.com/PGHungarianTeam.

Note: Images of the original pages are available through

HathiTrust Digital Library. See
https://hdl.handle.net/2027/hvd.hnw3n7

FARKASVÉR

IRTA
 JACK LONDON

AZ ANGOL EREDETINEK
TIZENNYOLCADIK KIADÁSA UTÁN
FORDITOTTA

DOBOSI PÉCSI MÁRIA

1922
SINGER ÉS WOLFNER KIADÁSA BUDAPEST

UJ IDŐK
SZÉPIRODALMI KÉPES
HETILAP

SZERKESZTI
HERCZEG FERENC

KIADÓHIVATAL
Budapest, VI., Andrássy-út 16

HUNGARIA NYOMDA BUDAPEST

 ELŐSZÓ.
Régi vágyam teljesedett, midőn ez a könyv magyar forditásban
megjelent és örömmel tölt el, hogy ennek létrejöttében nekem is
szerény részem lehetett.
Jack London irásaival a háboru alatt, hosszu angol
internáltságomban ismerkedtem meg, s most, midőn ujra olvasom,
életem ezen sivár és szenvedésteljes, de mégis értékes szakaszának
emlékei elevenednek fel lelkemben. Emlékembe tolul az Isle of Man-i
«Fekete város», hol 30–40.000 társammal, csöndes, fásult
emberekkel együtt róttam a kitaposott mesgyét a tövises drót
mentén, körbe-körbe, napról-napra, végeszakadatlanul. Ujra érzem a
tábor keserü füstjét, mellemre nehezedik Man-sziget nehéz köde s
hallom a tábor fölött sikló sirályok vijjogását. Szemem találkozik a
szuronyos őrök hideg, érzéketlen tekintetével s látom társaim
megtört, bágyadt szemeit. Köszöntöm őket a tábor szokásos,
szomoru üdvözlésével «Meddig még?» s ők visszaköszönnek nekem.
Ujra elvonulnak emlékezetemben az éhséges esztendők, a
tőzegvágás és kőtörés fáradalmai, az ötéves számkivetettség minden
testi és lelki gyötrelme. Igen, és az örömei is, midőn munkás nap
után, fáradtan végighevertem a tengerparton, sütött a nap s pacsirta
dalolt a tőzegmező fölött. Vagy midőn hosszu szünet után ujra
levelet hozott hazulról a posta.
A hála érzetével gondolok arra a támaszra, amit Jack London
könyvei nyujtottak nekem ezekben az inséges időkben. Mindennapi
társaim lettek az ő regényalakjai: a kemény élés hősei: a küzdők: a
telivérek. Akik nem ismerik az utolsó szalmaszálat. Kik a
küzdelemben, ha buktak, mosolyogva kelnek fel ujra. Kiknek
szótárában nincs: csüggedés. Kikben mindig marad még egy rugás.
A telivérek. Kiknek világnézete az erőteljes és egészséges, sokszor
nyers, de mindig tiszta életakarás.
Jack London sok nagyszerü könyve között nekem a Farkasvér
(White Fang) a legkedvesebb. Most is ez az erőforrásom, ha néha
csüggedés fenyeget. Lelkem egész melegével ajánlom azoknak a
szeretetébe, kiknek támaszra van szükségük, kik mostan, sajnos, oly
sokan vannak Magyarországon.
Budapesten, 1922 március havában.
tasnádi Juhász Kálmán.
 ELSŐ RÉSZ.

I. FEJEZET.
A hus nyomán.
Sötét lucfenyőerdő állott mogorván a befagyott folyó mindkét
oldalán. A minapi szél megfosztotta a fákat fehér dérruhájoktól s
ezek most, mintegy egymásnak hajolva, sötéten és vésztjóslóan
állottak a hunyó világitásban. Mérhetetlen csend uralkodott a tájon.
A tájék maga volt az elhagyatottság, élettelen és mozdulatlan, oly
kietlen és hideg, hogy szelleme már nem lehetett a szomoruságé
sem. Valami nevetés bujkált benne, nevetés, mely borzasztóbb volt a
szomoruságnál is, nevetés, mely örömtelen volt, mint a sphinx
mosolya, nevetés, mely hideg volt, mint a fagy és mintegy része a
csalhatatlanság bősz marconaságának. Az örökkévalóság uralkodó és
érthetetlen bölcsesége nevetett az élet hiábavalósága és az élet
erőlködései felett. A Vadon volt, az a bősz, dermedt szivü Északi
Vadon.
De mégis volt itt élet szerte a földön, dacos, csak azért is élet.
Lent, a befagyott vizmederben egy farkaskutya-fogat küzködött. A
kutyák durva prémbundáját belepte a dér. Leheletük párája
megfagyott a levegőben, amint kigőzölgött szájukon és gomolyogva
ülepedett bundájukra, jégkristályokat alkotván. A kutyákon
bőrheveder volt s bőristráng kötötte őket a szánhoz, amelyet huztak
maguk után. A szánnak nem volt talpa. Erős nyirfakéregből készült
és egész alapjával a havon feküdt. A szánkó eleje fölfelé csavarodott,
mint egy tekercs, hogy letapossa és lenyomja a hó áradatát, mely
mint egy hullám elboritotta a szánt. A szánon, jó erősen
megkötözve, hosszu, keskeny, téglaalaku láda volt. Még más holmi is
volt a szánon. Takarók, egy fejsze, egy kávésbögre, egy serpenyő,
de mindenen uralkodott, a legtöbb helyet elfoglalva, a hosszukás,
keskeny, téglaalaku láda.
A kutyák előtt, bő hócipőiben, vesződött egy ember. A szán
hátuljánál egy második. A szánon, a ládában feküdt egy harmadik
ember, akinek vesződsége örökre elmult, – egy ember, akit a Vadon
legyőzött, megvert s aki eztán nem mozdul és nem küzködik többé
soha. A Vadon nem szereti a mozgást. Az élet maga is sérti a
Vadont, mert az élet: mozgás s a Vadon arra törekszik, hogy
elpusztitsa a mozgást. Kihajtja a nedveket a fákból, hogy
megdermedjenek hatalmas szivük mélyéig. De legvadabbul és
legborzasztóbban üldözi a Vadon az embert, összetöri és maga alá
tiporja, – az embert, aki az élet legnyugtalanabbja és aki örökös
lázadásban él ama gondolat ellen, hogy minden mozgásnak a
mozgás megszünésében kell végződnie.
De a szán előtt és mögött, meg nem félemlitve és
rettenthetetlenül, küzködött az a két ember, aki még nem volt halott.
Testüket prém és lágyan cserzett bőr boritotta. Szempillájukat,
arcukat, szájukat ugy belepték megfagyott leheletüknek kristályai,
hogy vonásaik nem voltak kivehetők. Ez olybá tette őket, mintha
kisérteties álarcot öltöttek volna, egy kisérteties világ lakói valami
szellem temetésénél. De ez álarc alatt mégis emberek voltak,
áthatolóban az elhagyatottság, gúny és csend eme földjén, apró
kalandorok óriási kalandokra hajlandóan, nekivetve magukat egy
világ hatalmának, mely olyan idegen, ellenséges és élettelen volt,
mint a tér végtelensége.
Minden szó nélkül haladtak, lélegzetükkel takarékoskodva.
Köröskörül csend volt, csaknem érezhető és tapintható csend, mely
ugy ránehezedett elméjükre, mint ahogy a mély viz több
atmoszférányi nyomása ránehezedik a buvár testére. Rájuk
nehezedett a véghetetlen pusztaság sulyával és a megmásithatatlan
végzet erejével. Behatolt elméjük legkisebb zugába is, kipréselve
onnan, mint szőlőből a mustot, minden hamis lelkesedést,
emelkedettséget és tulságos önbecsülést, amig végre látták, hogy
mily végesek és kicsinyek, parányok és porszemek, gyönge
képességekkel és csekély bölcseséggel mozogva a vak erők és
elemek titáni játékában.
Óra, óra után mult. A rövid, naptalan nappal gyönge fénye
hunyóban volt, mikor gyönge kiáltás hallatszott a mozdulatlan
levegőben. A kiáltás felszállt magasra gyors rohanással, mig elérte
legmagasabb hangját, ahol megmaradt lüktetőn és feszülve, aztán
lassan elhalt. Egy elveszett lélek siráma lett volna, ha nem hallatszik
ki belőle valami szomoru szilajság és éhes, mohó vágy. Az elől
haladó férfi hátraforditotta fejét, mig szeme nem találkozott a hátul
baktató férfiéval. És aztán, a hosszukás ládán keresztül, bólintottak
egymás felé.
Egy másik kiáltás hasitotta a levegőt tűhegyszerü élességgel.
Mindkét ember tudta, honnan jön a hang. A hátuk mögül jött,
valahonnan a hópusztaságból, melyen ép az imént jöttek keresztül.
Egy harmadik kiáltás válaszolt, ez is a hátuk mögül és balra a
második kiáltás helyétől.
– Ezek utánunk jönnek, Bill, – mondta a férfi, aki a szánkó elején
haladt.
Hangja rekedten és valószinütlenül hangzott s érezhető
erőlködéssel beszélt.
– Kevés a hus, – felelt a másik. – Napok óta nem láttam nyul
nyomát.
Ezután nem beszéltek, bár fülük figyelte az elnyujtott kiáltásokat,
melyek egyre felelgettek egymásnak a hátuk mögül.
A sötétség beálltával a kutyákat egy csomó lúcfenyőhöz vezették
a folyó partján és tábort ütöttek. A koporsó, a tüz mellett, szolgált
asztal és szék gyanánt. A farkaskutyák egy csomóban a tüz tulsó
oldalán civakodtak, morogtak egymás között, de nem mutattak
hajlandóságot arra, hogy elcsavarogjanak a sötétbe.
 – Ugy látszik, Henry, ezek nagyon is közel húzódnak a tüzhöz, –
magyarázta Bill.
Henry a tüz felé hajolva és a kávésbögrét egy darab jéggel a tüz
fölé állitva, bólintott a fejével. Nem szólt egy szót sem, mig el nem
foglalta helyét a koporsón és enni nem kezdett.
– Tudják, hol vannak biztonságban, – mondta. – Inkább ők
esznek, semhogy őket egyék. Ezek a kutyák okos dögök.
Bill rázta a fejét. – Nem hiszem, hogy azok.
Pajtása kiváncsian nézett rá. – Most mondod életedben először,
hogy nem okosak.
– Henry, – szólt Bill s elgondolkozva rágta a babot, ami
vacsorájuk főfogása volt, – láttad, hogy marakodtak a kutyák
etetéskor?
– Jobban, mint máskor szoktak, – hagyta rá Henry.
– Hány kutyánk van, Henry?
– Hat.
– Jó, Henry… – Bill elhallgatott egy pillanatra, hogy
mondanivalója nagyobb jeletőségünek tünjék fel. – Amint mondtam,
Henry, hat kutyánk van. Hat halat vettem elő a tarisznyából. Egy
halat adtam minden kutyának és mégis, Henry, egy kutyának semmi
sem jutott.
– Rosszul számoltál.
– Hat kutyánk van, – ismételte a másik szenvedélytelenül. Hat
halat vettem elő. Félfülünek nem jutott. Aztán vettem ki a
tarisznyából még egyet s azt adtam neki.
– Csak hat kutyánk van, – mondta Henry.
 – Henry, – szólt ismét Bill, – nem mondom, hogy mind a hét
kutya volt, de én hétnek dobtam halat.
Henry felhagyott az evéssel s a tüzön keresztül pillantva,
megszámolta a kutyákat.
– Most csak hatan vannak, – mondta.
– A hetedik elszaladt a havon keresztül, – felelte nyugodt
biztosságggal Bill. – Heten voltak, tudom.
Henry sajnálkozva nézett rá, aztán megszólalt:
– Nagyon örülnék, ha már tul lennénk ezen a kiránduláson.
– Hogy érted ezt? – kérdezte Bill.
– Ugy, hogy ez a koporsó itt nagyon is ránk nehezedik és hogy te
már kisérteteket látsz, Bill.
– Én is gondoltam már erre, – válaszolta Bill komolyan. És épp
ezért, mikor a hetediket láttam megfutamodni, a hóra néztem és
megláttam a nyomait is. Aztán megolvastam a kutyákat, hatan
voltak. A nyomok még most is ott vannak a hóban. Ha látni akarod,
megmutathatom.
Henry nem felelt. Hallgatva evett, mig végre befejezte lakomáját
s tetejébe megivott még egy csésze kávét. Megtörölte a száját a
keze fejével s megszólalt:
– Hát azt gondolod, hogy az a hetedik…
Szomoruan dacos, hosszu, jajgató kiáltás tört elő valahonnan a
sötétből s félbeszakitotta szavát. Elhallgatott, hallgatódzott, azán
kezével a hang irányába mutatott:
– … azok közül való?
Bill rábólintott. – Akármi legyek, ha nem az. Nem vetted észre,
milyen lármát csaptak a kutyák?
 Kiáltás kiáltás után hangzott, hosszan felelgetve, fölverve s
valóságos pokollá téve az erdő csöndjét. Köröskörül minden irányból
fölhangzott a kiáltás s a kutyák félelmükben összeverődtek s oly
közel huzódtak a tüzhöz, hogy szőrük megperzselődött a nagy
hőségben. Bill megrakta a tüzet s pipára gyujtott.
– Bökd ki, amit mondani akarsz, – szólt Henry.
– Henry… – és Bill elgondolkozva szivta pipáját, mielőtt tovább
beszélt volna, – Henry, arra gondoltam, mennyivel boldogabb ő, mint
amilyen te, vagy én valaha is leszünk.
Lefelé tartott hüvelykujjával a harmadik emberre mutatott, aki
abban a ládában feküdt, melyet ők székül és asztalul használtak.
– Te meg én, Henry, ha megdöglünk, beérjük annyival, ha egy
csomó követ raknak ránk, hogy a kutyák ki ne ássák a testünket.
– De nekünk nincs se pénzünk, se rokonságunk, se semmi
egyebünk, ami neki mind volt, – szólt Henry. – Nem kivánhatjuk,
hogy holtunk után ily messzire elszállitsanak.
– Amit nem értek, Henry, az az, hogy egy ilyen legény, mint ez is
itt, aki lord, vagy mi a csuda a hazájában s akinek sohse fájt a feje
ennivaló, vagy a gunya miatt, mi az ördögnek jött ez ide kinlódni,
tülekedni az Isten háta mögé. Ez az, amit nem értek, Henry.
– Elélhetett volna száz esztendeig is, ha odahaza marad, –
hagyta rá Henry.
Bill szóra nyitotta a száját, de aztán meggondolta a dolgot s
beszéd helyett a sötétségre mutatott, mely falként övezte őket
köröskörül. A vak sötétségben semmiféle alakot nem lehetett látni,
csak egy pár szem fénylett feléjük tüzesen, mint az eleven parázs.
Henry fejével egy második, aztán egy harmadik pár szemre
mutatott. Fénylő szemek gyürüje vette körül a tábort. Néha-néha
egy-egy pár szem megmozdult, vagy eltünt, hogy egy pár perc
mulva ujra megjelenjék.
 A kutyák nyugtalansága növekedett s a hirtelen félelem
áradatában, eszeveszetten menekültek a tüz innenső oldalára,
csuszva-mászva, összekuporodva az emberek lábainál. A
tolongásban az egyik kutya fölfordult s a tüz szélire esett s
fájdalmában és félelmében ugatott, mikor égett bundájának szaga
betöltötte a levegőt. Ez a mozgás arra inditotta a szemek gyürüjét,
hogy nyugtalanul megmozduljanak egy pillanatra és
visszahuzódjanak egy kicsit, de ujra letelepedtek, amint a kutyák
elcsendesedtek.
– Henry, milyen szerencsétlenség, hogy kifogytunk a
töltényekből.
Bill elszitta a pipáját és segitett Henrynek kiteregetni a szőrméből
való ágyat és takarókat azokra a fenyőágakra, melyeket még vacsora
előtt fektettek a hóra. Henry nyögött s kezdte kifüzni őzbőrcipőit.
– Hány töltényünk maradt?
– Három, – volt a felelet. – De bár volna háromszáz. Majd
megmutatnám ezeknek…
Dühösen rázta öklét a fénylő szemek felé és őzbőrcipőjét a tüz
elé állitotta.
– Szeretném. – folytatta, ha ez a nagy hideg alábbhagyna. Már
két hete, hogy ötven fokon alul van és szeretném, ha sohasem
indultam volna el erre az utra. Nem szeretem ezt az egész
mindenséget, igy, ahogy van. Valahogy rosszul érzem magamat. S
ha már benn vagyok a kivánságokban, kivánom, bár már tul lennénk
ezen a dolgon s ott ülnénk mind a ketten a Mac Gurry-erősségben és
játszanánk cribagget, az ám. Ez az, amit kivánok.
Henry nyögött s bebujt az ágyába. Már szundikált, mikor pajtása
hangja felébresztette.
– Mondd, Henry, azt a hetediket, amelyik idejött és egy halat
elkapott, mért türték meg a kutyák maguk között? Mért nem marták
ki? Ez az, ami megzavar.
 – Ugyan, ne törd annyit a fejedet, – volt az álmos válasz. – Még
eddig sohse voltál ilyen. Feküdj le, aludd ki magadat és holnap olyan
vidám leszel, mint a pinty. A gyomrod savanyu, ez az, ami megzavar.
A két ember aludt, mélyen lélegezve, egymás mellett a közös
takaró alatt. A tüz és a villogó szemek szorosabb gyürübe huzódtak
a tábor körül. A kutyák egy csomóba verődtek a félelemtől, néha-
néha fenyegetőleg morogva, amint egy-egy pár szem nagyon is
közelre bátorkodott. A lárma oly nagy lett, hogy Bill felserkent.
Óvatosan kimászott az ágyból, hogy Henryt föl ne zavarja és
megrakta a tüzet. Amint a tüz fellángolt, a szemek gyürüje is tágult.
Bill pillantása az összeverődött kutyákra esett. Hihetetlenül
megdörzsölte a szemét s jobban megnézte őket. Visszamászott a
takaró alá.
– Henry, – szólalt meg. – Oh, Henry.
Henry nyöszörgött, amint felébredt.
– Mi bajod megint?
– Semmi bajom nincs. Csakhogy megint heten vannak. Most
számoltam meg őket.
Henry nyögött egyet, jelezve, hogy tudomásul vette a dolgot,
aztán egy horkolással ismét mély álomba merült.
Reggel Henry ébredt föl elsőnek s ő volt az, aki kihuzta pajtását
az ágyból. A nappal még messze, még három órányira volt, noha
már hat óra mult s Henry a sötétségben elkészitette a reggelit,
mialatt Bill összegöngyölta a takarókat s előkészitette induláshoz a
fogatot.
– Mondd, Henry, – szólalt meg hirtelen, – hány kutyánk is van
nekünk?
– Hat.
– Nem jól tudod, – jelentette ki Bill diadalmasan.
 – Megint hét? – kérdezte Henry.
– Nem, csak öt. Egy elszaladt.
– A pokolba is! – kiáltott Henry mérgesen s abbahagyta a főzést,
hogy megszámolja a kutyákat.
– Igazad van, Bill, – mondta végre. – Fatty elszökött.
– Pedig ugy ment, mint az olajozott istennyila, ha egyszer
nekiindult: még a pora se látszott.
– Nincs szerencsénk, – mondta Henry. – Fogadok, hogy a
farkasok élve falták fel s ugatott még akkor is, mikor lecsuszott a
torkukon. Hej, az átkozottak!
– Mindig buta egy dög volt, – mondta Bill.
– Akármilyen buta volt is, olyan buta kutya nincs, amelyik
öngyilkos tudna lenni. – Végignézett a fogat megmaradt kutyáin s
birálóan szemügyre vette mindenik állat feltünő tulajdonságát. –
Fogadok, hogy ezek között nincs olyan buta!
– Bottal se lehetne őket a tüztöl elkergetni, – bólintott rá Bill. –
Mindig mondtam, hogy Fatty nem tisztességes kutya.
Ez volt a sirfelirata egy kutyának az északföldi utakon, sok
kutyáé, sok emberé még ennél is szegényesebb.

II. FEJEZET.
A nőstényfarkas.
Miután megették a reggelit s a hitvány tábori felszerelést a
szánkóra kötözték, a két férfi hátat forditott a barátságos tüznek s
nekiindult a sötétségnek. Egyszerre felharsantak a kiáltozások,
mohó, kegyetlen és szomoru kiáltások, kiáltások, melyek hivogattak
és felelgettek egymásnak a hidegségen és sötétségen keresztül. A
két férfi hallgatott. Kilenc óra tájban világosodni kezdett. Tizenkét
órakor a déli ég alja rózsaszinüig világosodott, mig a délponton álló
nap és az északi világ közé lépő föld durva tömege észak felé szürke
árnyékot vetett.
A rózsaszinü ég hamar elhalványult. A nap gyönge fénye délután
háromig tartott, aztán ez is kihunyt s a sarki éjszaka halotti leple
elterült az elhagyott és hallgatag tájon.
Amint a sötétség leszállt, a zsákmányért való üvöltés hangjai
jobbról, balról s hátuk mögül közelebb hallatszottak, oly közelről,
hogy a kutyák megremegtek a félelemtől s egy-egy rövid időre vad
rettegés fogta el őket.
Egy ilyen ijedelem vadulása után, miközben a kutyákat a nyomba
visszaigazitották, Bill megszólalt.
– Bárcsak találnának valami vadat, mennének másfelé s
hagynának bennünket békében.
– Nagyon ránehezednek az ember lelkére, – felelte Henry
résztvevően.
Nem is beszéltek többet, mig tábort nem ütöttek.
Henry a tüz fölé hajolt és egy darab jeget tett a babbal telt fazék
bugyborékoló vizébe, mikor egy csapás zuhanását, Bill kiáltását és a
fájdalom éles, vonitó kiáltását hallotta a kutyák közül.
Felegyenesedett, épp idejében, hogy lássa, mint tünik el a havon
keresztül valami fekete tömeg a sötétség védelme alatt. Aztán látta
Billt a kutyák között állva, félig diadalmasan, félig kétségbeesetten és
elcsüggedve, egyik kezében egy vastag botot, másik kezében egy
naponszáritott lazac féltestét és farkát tartva.
– Elkapta a felét, – jelentette Bill, – de abban a percben én is
adtam neki egyet a szeme közé. Hallottad, hogy vonitott?
– Milyenforma volt? – kérdezte Henry.
 – Nem láthattam. De négy lába volt, meg szőre, meg szája és
olyan volt, mint akármelyik kutya ezek közül.
– Szelid farkas lehetett, azt hiszem.
– Átkozottul szelid lehet, hogy idejön etetés idején, a maga
lazacáért.
Ezen az éjszakán, mikor megvacsoráztak és a hosszukás ládán
ülve szivták pipájukat, az izzó szemek gyürüje még szorosabb
körben övezte őket, mint azelőtt való nap.
– Bárcsak találnának ezek a dögök egypár szétszaggatni való
jávorszarvast s hagynának bennünket békében, – mondta Bill.
Henry morgott egyet, nem épp résztvevően, s egy negyedóráig
hallgatva ültek egymás mellett, Henry a tüzbe meredve s Bill a
szemek gyürüjét nézve, mely izzott a sötétben, közvetlenül a tüz
világa körül.
– Csak minden baj nélkül eljussunk Mac Gurry-erődbe, – kezdte
megint.
– Hagyj föl a kivánságokkal, meg a sopánkodással, – tört ki
Henry mérgesen. – A gyomrod savanyu. Ettől nyöszörögsz. Kapj be
egy kanál szódát, attól mindjárt jobban leszel és kellemesebb
társalgó is egyuttal.
Reggelre kelve Henry szörnyü istenkáromlásra ébredt: Bill
káromkodott. Henry könyökére támaszkodott és nézte, mint áll Bill a
kutyák között, a megrakott tüz mellett, karját fenyegetőleg fölemelve
s arca eltorzulva a szenvedélytől.
– Halló! – kiáltott Henry, – mi az már megint?
– Frog megszökött, – volt a felelet.
– Csak nem.
– Mondom, hogy igen.
 Henry a takarók közül a kutyákhoz ugrott.
Megszámolta őket gondosan, aztán ő is szidta Billel együtt a
Vadon hatalmait, melyek megint megfosztották egyik kutyájuktól.
– Frog volt a legerősebb valamennyi között, – jelentette ki Bill.
– És nem is volt buta, – tette hozzá Henry.
Ez volt két nap alatt immár a második sirfelirat.
Szomoru reggelijük volt, aztán a megmaradt négy kutyát
befogták a szánba. A nap csak olyan volt, mint a megelőző. A férfiak
szó nélkül törtettek a megfagyott Világon keresztül. A csendet nem
törte meg semmi, csak követőik kiáltása, követőiké, akik
láthatatlanul egyre a nyomukban voltak. Délután közepe felé, mikor
az éjjel már leszállóban volt, az üldözők és kiáltozásaik, szokás
szerint, még közelebb merészkedtek, a kutyák izgatottak voltak,
megrémültek s rémületük rohamaiban összekuszálták a
gyeplőszárakat, ami még jobban elkedvetlenitette a férfiakat.
– Ehun-e, – szólt Bill ezen az estén, elégülten szemlélve saját
művét, – ez majd itt tart benneteket, bolond kutyák!
Henry abbahagyta a főzést, hogy ő is láthassa ezt a csodát. Bill
nemcsak kipányvázta, hanem indián szokás szerint még botokkal is
megkötözte a kutyákat. Minden kutya nyaka köré bőrnyaklót
erősitett. Ehhez a nyaklóhoz, oly közel, hogy a kutya nem érhette el
és nem haraphatta el fogaival, vastag négy vagy öt láb hosszu botot
kötött. A bot másik végét bőrszijjal egy földbe erősitett cölöphöz
kötötte. A kutya nem haraphatta el a nyakánál levő botvégre kötött
szijat s a bot nem engedte, hogy elharapja a másik végére kötött
bőrszijat.
Henry helybenhagyóan bólintotta meg a fejét.
– Ez a szerkezet az egyetlen, ami visszatarthatja Egyfülüt. Ugy
harapja el a bőrt, mint a kés, csakhogy felével rövidebb idő alatt.
Holnap reggel mind itt lesznek, kutyabajuk se lesz.
 – Meghiszem azt, – bizonykodott Bill. – Ne igyak holnap reggel
kávét, ha holnap egy is hiányzik közülük.
– Mintha csak tudnák, hogy nincs töltényünk, amivel
elpusztithatjuk őket, – mondta lefekvéskor Henry, az izzó
szemgyürüre mutatva, mely szinte körülzárta őket. Ha egy pár golyót
küldhetnék közéjük, mindjárt jobban tudnák a becsületet. Minden
éjszaka közelebb jönnek. Takard csak el a tüz világát a szemed előtt
és nézz merőn oda – ott! Látod ott azt a dögöt?
Egy kis darabig a két ember azzal mulatott, hogy a tüzvilág körén
tul a homályos alakok formáit nézegette. Ha szigoruan és sokáig
néztek oda, ahol egy pár szemgolyó izzott a sötétben, az állat alakja
homályosan előtünt a feketeségből. Néha még azt is láthatták, hogy
mozog egyik-másik alak időről-időre.
A kutyák közt támadt hangra lettek figyelmesek a férfiak. Egyfülü
gyors, mohó vinnyogást hallatott és botját megfeszitve neki-
nekirugaszkodott a sötétségnek, néha-néha dühöngő kisérleteket
téve, hogy a botot fogaival szétharaphassa.
– Nézz oda, Bill, – suttogta Henry.
A tüzfény teljes világánál alattomos oldalmozgással siklott el egy
kutyaforma állat. A gyanakvás és merészség keverékével lépegetett,
óvatosan lesve az embereket s figyelmét a kutyákra összpontositva.
Egyfülü egész hosszában kifeszitette pányváját a betolakodó felé és
mohó vággyal szükölt, vinnyogott.
– Ez a bolond Egyfülü nem igen fél, – szólt Bill.
– Egy nőstényfarkas, – suttogta Henry és most már tudom, hogy
tünt el Fatty és Frog. Ez a falka csalogatója. Elcsábitja a kutyát, a
falka megrohanja és felfalja.
– Henry, gondoltam valamit, – szólt Bill.
– Mit gondoltál?
 – Azt gondoltam, hogy ez volt az, amelyiket én a bottal elvertem.
– Az nagyon lehet, – felelte Henry.
– És még azt is meg akarom mondani, hogy ez a farkas milyen
jól tudja a táborbeli szokásokat. Ez különös és nem is lehet Istentől
való.
– Biztos, hogy többet tud, mint amennyit egy becsületes
farkasnak tudnia kell. Egy farkas, amelyik etetés idején bejön a
táborba, az sokat láthatott, hallhatott.
– A vén Villannak volt egy kutyája, – szólt Bill hangosan
gondolkodva, – amék farkasokhoz szegődött. Én tudhatom, mert én
lőttem ki a falkából egy jávorszarvas-legelőn, valamivel Little Stick
fölött. A vén Villan sirt, mint egy gyerek. Azt mondta, nem látta már
három esztendeje. Azóta mindig a farkasokkal volt.
– Azt hiszem, Bill, most eltaláltad. Ez a farkas kutya, amelyik már
nem egyszer evett halat ember kezéből.
– És ha tehetem, ebből a farkasból, amelyik kutya, nemsokára
kutyák eledele lesz. Nem szabad elveszitenünk több állatot.
– Csak három töltényünk van, – ellenkezett Henry.
– Majd várok biztos lövésre, – volt a felelet.
Reggel Henry felszitotta a tüzet és megfőzte a reggelit, cimborája
horkolásának kisérő zenéje mellett.
– Olyan édesdeden aludtál, – szólt Henry, mikor kihuzta Billt a
takarók alól, hogy reggelihez hivja, – nem volt szivem, hogy
felkeltselek.
Bill enni kezdett nagy álmosan. Észrevette, hogy csészéje üres és
kinyujtotta kezét a kávésbögréért. De a bögre kartávolságon tul volt
a Henry oldalán.
 – Mondd, Henry, – szólt szeliden korholó hangon, – nem
felejtettél el valamit?
Henry körülnézett nagy gondossággal, aztán megrázta a fejét.
Bill feléje tartotta üres csészéjét.
– Ma nem kapsz kávét, – jelentette ki Henry.
– Csak nem futott tán ki? – kérdezte aggódva Bill.
– Nem.
– Azt hiszed talán, hogy ártana az emésztésemnek?
– Nem.
Bill arcát a harag vérhulláma öntötte el.
– Akkor hát igazán kiváncsi vagyok, miért nem akarsz nekem
kávét adni?
– Spanker megszökött, – felelte Henry.
Minden sietség nélkül, mint aki hozzászokott a
szerencsétlenséghez, Bill elforditotta a fejét, hogy megszámolja a
kutyákat.
– Hogy történt? – kérdezte apatikusan.
Henry vállat vont.
– Nem tudom. Hacsak Egyfülü nem rágta el a sziját. Ő maga nem
tehette, annyi bizonyos.
– Átkozott dög. – Bill komolyan és lassan beszélt, hangjában
nyoma sem volt annak a haragnak, ami benne dult. – Nem tudta
kiszabaditani önmagát, kiszabaditotta hát Spankert.
– No, Spankernak már semmi baja sincs. Azóta már nyugszik
husz, szanaszét szaladgáló éhfarkas beleiben, – ez volt Henry
gyászbeszéde az utolsó elveszett kutya fölött. Igyál egy kis kávét,
Bill.
Bill ellenkezve rázta a fejét.
– No, igyál, – biztatta Henry, fölemelve a kávésbögrét
Bill félretolta a csészéjét.
– Akármi legyek, ha iszom. Azt mondtam, nem iszom, ha egy
kutya is hiányzik a csomóból – és nem is iszom.
– De igazán nagyon jó kávé, – csábitgatta Henry.
De Bill makacs volt s csak nyelte a száraz falatokat s nem
öblitette le egyébbel, mint Egyfülüre szórt, elnyomott szitkaival és
átkozódásaival.
– Estére megkötöm őket ugy, hogy egyik ne érje el a másikat, –
szólt Bill, mikor ujra nekiindultak az utnak.
Alig haladtak száz yardnyira, mikor Henry, aki elől haladt, lehajolt
és fölszedett valamit, ami hócipőjéhez ütődött. Sötét volt, nem
láthatta, mi az, de megérezte a tapintásból. Hátrafelé dobta, hogy az
ismeretlen valami a szánkóra esett, onnan lecsuszott és megakadt
Bill hócipőjében.
– Jó lesz az esti kötözködéshez, – szólt Henry.
Bill egy kiáltást hallatott. Ez volt minden, ami Spankerből
megmaradt: a bot, amellyel ki volt pányvázva.
– Megették szőröstől-bőröstől, – jelentette ki Bill. – A bot oly
csupasz, mintha lehántották volna, még a bőrszijat is lerágták mind
a két végéről. Fene éhesek ezek Henry, meglátod, bekapnak engem
is, téged is, mielőtt az utunk véget ér.
Henry dacos ellenkezéssel nevetett. – Ezen az uton még nem
kergettek meg a farkasok. De mentem én már különb
veszedelmeken is keresztül és lám, mégis itt vagyok. Több kellene
ide, mint ez a pár alkalmatlan dög, hogy végezzen velem, Bill,
kedves fiam!
– Nem tudom, nem tudom, – mormogta Bill vésztjóslóan.
– Majd megtudod, ha minden baj nélkül eljutunk Mac Gurrybe.
– Nem hiszek én már semmiben, – makacskodott Bill.
– Beteg vagy, ez az oka mindennek, – jelentette ki Henry
fölényesen. – Kinin kellene neked, majd kapsz is, amint elérünk Mac
Gurrybe.
Bill elégedetlenül morgott egyet erre a diagnózisra, aztán
hallgatásba merült. Ez a nap is olyan volt, mint a többi. Kilenc órakor
kivilágosodott. Tizenkét órakor a látóhatár rózsaszinü lett a
láthatatlan naptól, aztán a fény szürkülni kezdett s három órával
később leszállt az éj.
Épp akkor történt, mikor a nap hasztalan erőlködött, hogy
felkapaszkodjék a láthatár széle fölé, hogy Bill előszedte a puskát a
szánkó kötelei alól.
– Vigyázz, Henry, mig én elmegyek egy kicsit széjjelnézni.
– Jobb volna, ha itt maradnál, – ellenkezett Henry. – Csak három
töltényünk van és közben Isten tudja, mi történhetik.
– Ki nyöszörög most, – kérdezte Bill diadalmasan.
Henry nem felelt, fáradtságosan haladt tovább, gyakran
visszapillantva a szürke magányosságba, melyben barátja elveszett a
szeme elől. Egy órával később, hála a kerülőknek, melyet a szánkó
kénytelen volt megtenni, Bill megérkezett.
– El vannak szóródva szerte s a nyomunkban vannak, – mondta
Bill, – s egyuttal vadra is leskelődnek. Látod, mondtam, hogy ezek
biztosak felőlünk, de tudják, hogy még várniok kell, mig
megkaphatnak s azalatt megesznek mindent, amit elől-utól találnak.
 – Azt mondod, hogy ezek azt gondolják, hogy biztosak felőlünk! –
vetette ellene Henry.
De Bill nem hallgatott reá. – Láttam egy párat közülük. Borzasztó
soványak. Bizonyosan nem ettek egy falatot se hetek óta, kivéve
Frogot, Fattyt és Spankert; és annyian vannak, hogy ez a félfogukra
is kevés lehetett. Nagyon-nagyon soványak. A bordájuk kiáll, mint a
deszka, a hasuk oda van száradva a gerincükhöz. Ugyancsak
dühösek, mondhatom. Majd megvesznek az éhségtől, meglátod!
Pár perccel később Henry, aki most a szánkó mögött haladt,
lassu, figyelmeztető füttyöt hallatott. Bill megfordult, körülnézett,
aztán nyugodtan megállitotta a kutyákat.
A szánkó háta mögött, a legutolsó hajlásból kibukkanva, teljes
célt mutatva, tulajdon azon a nyomon, melyet csak az imént hagytak
hátra, egy bundás, ösztövér alak lépegetett. Orrát a szánkónyom felé
tartotta és különös, oldalgó, erőtelen tartással lépegetett. Ha a
szánkó megállt, ő is megállt, fölfelé tartva fejét, s kitartóan nézte a
fogatot és orrlyukai rángatóztak, mikor megszimatolta az emberek és
kutyák szagát.
– Egy nőstényfarkas, – mondta Bill.
Otthagyta a kutyákat, melyek lefeküdtek a hóba s hátrament
barátjához s ketten együtt nézték ezt a különös állatot, mely napok
óta követte nyomukat és elpusztitotta kutya-falkájuk felét.
Vizsgálódó kutatás után az állat egy pár lépéssel közeledett. Ez a
közeledés egypárszor ismétlődött, ugy hogy az állat alig volt száz
yardnyira tőlük. Itt megállt, fölfelé tartott fejjel, szorosan egy csomó
lúcfenyő mellett, szemével és szaglásával tanulmányozva a figyelő
férfiak fölszerelését. Valami különös sóvárgással figyelte őket, akár
egy kutya, de sóvárgásában semmisem volt a kutya
ragaszkodásából. Olyan sóvárgás volt ez, melyet az éhség nevelt, oly
kegyetlen sóvárgás, mint a tulajdon tépőfogai és könyörtelen, mint
maga a hideg.
 Nagyobb volt, mint egy közönséges farkas. Sovány, kiaszott
formái azt mutatták, hogy ez az állat egyike a legnagyobbaknak
fajának példányai között.
– Megvan két és félláb a válla magasságáig, – magyarázta Henry.
– És fogadok, hogy a hossza nem sokkal kevesebb öt lábnál.
– Különös szine van, – kritizálta Bill. – Sohse láttam még rőt
farkast. Mintha csak cinóberrel festették volna be.
Az állat éppen nem volt cinóbervörös. Bundája igazi farkasbunda.
Uralkodó szine a szürke, melyben bujkált valami gyönge-vöröses
árnyalat, árnyalat, mely eltünt, itt elővillant, ott elhalványult, ami
inkább olyan volt, mint valami hamis káprázat, most szürke,
határozottan szürke, aztán itt-ott megint halvány nyoma valami
bizonytalan vörösségnek, melynek nincs határozott neve.
– Akármi legyek, ha nem olyan, mint egy nagy szánkóhuzó
hámos kutya, – mondta Bill. – Nem csodálkoznék, ha egyszerre csak
megcsóválná a farkát.
– Halló, te! kutya te, gyer ide! – kiáltott, – gyere ide, akárhogy
hivnak is!
– Nem is fél tőled, – nevetett Henry.
Bill fenyegetőleg rázta kezét a farkas felé és hangosan kiáltozott,
de az állat semminemü félelmet nem mutatott. Az egyetlen változás,
mely észrevehető rajta, az élénkség növekedése volt. Még mindig az
éhség kegyetlen sóvárgásával nézte őket. Ez a két ember hus volt az
ő szemében s ő éhes volt s ha merte volna, legjobb szeretett volna
rájuk rohanni és megenni őket.
– Nézd csak, Henry, – szólalt meg Bill, öntudatlanul halkitva
hangját amiatt, amit mondani akart, – három töltényünk van, az
igaz, de ez halálbiztos lövés lenne. Nem lehet eltéveszteni. Három
kutyánkat elpusztitotta, ideje volna végezni vele. Mit gondolsz?
 Henry bólintott. Bill óvatosan csusztatta ki a puskát a szánkó
kötelékei alól. A puska már csaknem a vállán volt, de sohse jutott el
oda. Mert abban a pillanatban a nőstényfarkas oldalt ugrott az utból,
be a lúcfenyő-csoport mögé és eltünt a szemük elől.
A két ember egymásra meredt, Henry hosszasan és megértően
füttyentett.
– Tudhattam volna, – korholta Bill önmagát, amint a puskát
helyére tette. – Ha már a farkas a táborba merészkedik, hogy a
kutyákkal együtt egyék, ismeri a lőszerszámot is. Mondom neked,
Henry, ez a dög okozta minden szerencsétlenségünket. Hat kutyánk
volna három helyett, ha ez a dög itt nem lábatlankodik. De azt is
mondom, Henry, majd megmutatom én még ennek a dögnek. Ahhoz
nagyon is okos, hogy nyilt helyen lelőjem, de én tuljárok az eszén és
agyonlövöm lesből, ez olyan igaz, mint ahogy Bill a nevem.
– Nehogy messzire elkóborolj ezért, Bill, – intette a társa. – Ha a
falka megtámad, az a három töltés annyi, mint három orditás a
pokolban, a dögök átkozottul éhesek s ha egyszer rádrohannak, meg
is kapnak, Bill.
Ezen az éjszakán korán tábort ütöttek. Három kutya sem olyan
gyorsan, sem oly hosszu ideig nem tudta huzni a szánt, mint hat s a
kimerülés látható jelei mutakoztak rajtuk. Korán le is feküdtek,
miután Bill előbb utánanézett, hogy a kutyák olyan távolságban
legyenek egymástól, hogy egymás sziját el ne rághassák.
De a farkasok mind merészebbek lettek s az emberek többször
felriadtak álmukból. A farkasok oly közel bátorkodtak, hogy a kutyák
szinte magukon kivül voltak a félelemtől s a tüzet ujra meg ujra meg
kellett rakni, hogy a kalandor rablókat minél biztosabb távolságban
tarthassák maguktól.
– Hallottam tengerészektől, hogy a cápák utánausznak a
hajónak, – kezdte Bill, mikor visszamászott a takarók alá, egy ilyen
tüzrakás után. – A farkasok szárazföldi cápák. Jobban értik a
mesterségüket, mint mi, Henry. Nem azért járnak a nyomunkban
ennyi ideig, mert ez jót tesz az egészségüknek. Azért járnak, hogy
megkapjanak bennünket. Biztosak benne, hogy megkapnak
bennünket, Henry.
– Annyi, mint ha már meg is kaptak volna, ha igy beszélsz, –
válaszolt Henry élesen. – Ha egy ember azt mondja, hogy elveszett,
már el is veszett. Téged félig már meg is ettek, ha igy beszélsz.
– Megettek ezek már különb embereket, mint te, meg én, – felelt
Bill.
– Ugyan, hallgass már, egész beteggé teszel a nyöszörgéseddel.
Henry mérgesen fordult az oldalára s meg volt lepve, hogy Bill
haragjának semmi hasonló mozdulattal nem adja jelét. Bill nem
szokott máskor igy tenni, a gunyoló szavak mindig könnyen
felingerelték. Henry sokáig gondolkozott ezen, mielőtt elaludt volna s
mikor szempillái leragadtak s elszunnyadóban volt, ez a gondolat
forgott még egyre elméjében:
– Semmi kétség. Bill borzasztóan dühös. Holnap reggel ki kell őt
békitenem.

III. FEJEZET.
Az éhorditás.
Ez a nap szerencsésnek igérkezett. Nem tünt el egy kutya sem az
éj folyamán és a két férfi nekiindult a csöndnek, sötétségnek és
hidegnek olyan szivvel, mely csaknem könnyünek volt mondható.
Ugy látszott, Bill elfelejtkezett előző esti balsejtelmeiről és még
tréfálkozott is a kutyákkal, mikor azok az utnak valami zökkenős
részén fölboritották a szánt.
Rettenetes fölfordulás volt. A fölfordult szán egy fatörzs és egy
nagy szikla közé szorult s ki kellett fogniuk a kutyákat, hogy
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebookfinal.com