Запитання з тегом «lg.learning»

Я маю на увазі наступну проблему: я хочу знайти регулярний вираз, який відповідає певному набору рядків (наприклад, дійсні адреси електронної пошти) і не відповідає іншим (недійсні адреси електронної пошти). Припустимо, що під регулярним виразом ми маємо на увазі деяку чітко визначену машину з кінцевим станом, я не знайомий з точною …

43 np-hardness  fl.formal-languages  lg.learning  regular-expressions 

Ми знаємо, що (див., Наприклад, теореми 1 та 3 [1]), грубо кажучи, при відповідних умовах функції, які можна ефективно обчислити машиною Тьюрінга в поліноміальний час ("ефективно обчислюватися"), можна виразити поліноміальними нейронними мережами з розумними розмірами, і, таким чином, можна пізнати складність поліноміального зразка ("навчається") при будь-яких вхідних розподілах. Тут «вивчається» …

28 cc.complexity-theory  np-hardness  machine-learning  turing-machines  lg.learning 

Машині PHPHPH надається доступ до оракула до випадкової булевої функції f:{0,1}n→{−1,1}f:{0,1}n→{−1,1}f:\{0,1\}^n \to \{ -1,1 \} та двох спектрів Фур'є ggg і hhh . Спектри Фур'є функції fff визначаються як F:{0,1}n→RF:{0,1}n→RF:\{0,1\}^n \to R : F(s)=∑x∈{0,1}n(−1)(s⋅xmod 2)f(x)F(s)=∑x∈{0,1}n(−1)(s⋅xmod 2)f(x)F(s)=\sum_{x\in\{0,1\}^n} (-1)^\left( s\cdot x \mod\ 2 \right) f(x) Один з або є справжніми спектрами Фур'є …

26 cc.complexity-theory  lg.learning  boolean-functions  fourier-analysis 

Ранг знаків матриці A з + 1, -1 записами - найменший ранг (над реалами) матриці B, який має такий самий шаблон знака, що і A (тобто для всіх i , j ). Це поняття важливе для складності спілкування та теорії навчання.AijBij>0AijBij>0A_{ij}B_{ij}>0i,ji,ji,j Моє запитання: Чи існують відомі алгоритми (субекспоненціальний час), які …

25 lg.learning  open-problem  communication-complexity  matrices 

Існує велика література про "тестування властивостей" - проблема внесення невеликої кількості запитів у чорну скриньку до функції для розрізнення двох випадків:f: { 0 , 1 }н→Rf:{0,1}n→Rf\colon\{0,1\}^n \to R - член деякого класу функцій CfffСC\mathcal{C} є ε -far з кожної функції в класі C .fffεε\varepsilonСC\mathcal{C} Діапазон функції іноді булевий: R = …

20 reference-request  lg.learning  metrics  property-testing  black-box 

Ось абстракція проблеми навчання в Інтернеті через Інтернет, над якою я працював влітку. Я не бачив подібної проблеми раніше, і це виглядає досить цікаво. Якщо ви знаєте про будь-яку пов’язану роботу, я вдячний довідками. Проблема Налаштування - це багатогранні бандити. У вас N зброї. Кожна рука i має невідомий, але …

19 machine-learning  lg.learning  online-learning 

"Оптимізація опуклості в Інтернеті" Зінкевича ( http://www.cs.cmu.edu/~maz/publications/ICML03.pdf ) узагальнює алгоритми навчання "мінімізації жалю" від лінійних налаштувань до опуклих налаштувань і дає хороший "зовнішній жаль" . Чи є подібне узагальнення щодо внутрішнього жалю? (Я не зовсім впевнений, навіть що саме це означатиме.)

19 lg.learning  online-learning 

Я намагаюся зрозуміти складність функцій, виражених через порогові ворота, і це привело мене до . Зокрема, мене цікавить, що зараз відомо про навчання всередині , оскільки я не є експертом у цій галузі.T C 0TC0ТС0\mathsf{TC}^0TC0ТС0\mathsf{TC}^0 Що я відкрив досі, це: Всі можна дізнатися в квазіполіномічний час при рівномірному розподілі через …

16 cc.complexity-theory  reference-request  cr.crypto-security  lg.learning  boolean-functions 

Розглянемо (X,≤)(X,≤)(X, \leq) кінцевий набір для nnn предметів, а PPP - невідомий монотонний предикат над XXX (тобто для будь-якого xxx , y∈Xy∈Xy \in X , якщо P(x)P(x)P(x) і x≤yx≤yx \leq y тоді P(y)P(y)P(y) ). Я можу оцінити PPP , надавши один вузол x∈Xx∈Xx \in X і з’ясувавши, чи P(x)P(x)P(x) утримує …

15 ds.algorithms  lg.learning  partial-order  search-problem  order-theory 

Редагувати: Оскільки за тиждень я не отримував жодних відповідей / коментарів, я хочу додати, що я радий почути що-небудь про проблему. Я не працюю в цьому районі, тому навіть якщо це просте спостереження, я, можливо, цього не знаю. Навіть коментар на кшталт "Я працюю в цьому районі, але такої характеристики …

15 reference-request  machine-learning  lg.learning 

Фон А С0АС0AC^0О ( 2л о г( n )Виведення ( д))О(2лог(н)О(г))O(2^{log(n)^{O(d)}})2нo ( 1 )2но(1)2^{n^{o(1)}} [1] Н. Лініяль, Ю. Мансур та Н. Нісан. [1993] "Контури постійної глибини, перетворення Фур'є та навчальність", Journal of ACM 40 (3): 607-620. [2] М. Харитонов. [1993] "Криптографічна жорсткість навчання, що залежить від розподілу", Праці ACM STOC'93, …

15 quantum-computing  lg.learning  machine-learning  open-problem  ne.neural-evol 

Яка найвідоміша складність запитів алгоритму навчання Goldreich-Levin? Лекційні записки з блогу Лука Тревісана , лема 3, констатують це як . Це найвідоміше з точки зору залежності від ? Я буду особливо вдячний за посилання на джерело, що посилається!O ( 1 / ϵ4n журналn )О(1/ϵ4нжурнал⁡н)O(1/\epsilon^4 n \log n)ннn Супутнє запитання: яка …

14 cc.complexity-theory  reference-request  lg.learning  fourier-analysis 

Я призначив своїм учням задачу знайти трикутник, який відповідає збірці точок у , позначений . (Трикутник Т є узгоджується з міченим зразком , якщо Т містить всі позитивні і жоден з негативних моментів, за припущенням, зразок допускає щонайменше , 1 відповідає трикутнику).R 2 ± 1 ТmmmR2R2\mathbb{R}^2±1±1\pm1TTTTTT Найкраще, що вони могли …

13 cg.comp-geom  machine-learning  lg.learning  convex-geometry 

Я поставив це питання на схрещені питання та відповіді, але здається, що він пов'язаний з CS набагато більше, ніж зі статистикою. Чи можете ви навести мені приклади алгоритмів машинного навчання, які вивчають статистичні властивості набору даних, а не окремі спостереження, тобто використовують модель статистичних запитів ?

13 lg.learning  machine-learning 

Передумови: У машинному навчанні ми часто працюємо з графічними моделями, щоб представити функції високої щільності ймовірності. Якщо відкинути обмеження, що щільність інтегрується (суми) до 1, ми отримаємо ненормалізовану графічну структуру енергетичної функції . Припустимо, у нас є така енергетична функція EEE , визначена на графіку G=(V,E)G=(V,E)G = (\mathcal{V}, \mathcal{E}) . …

13 reference-request  machine-learning  lg.learning  boolean-functions