เครือข่ายประสาทสามารถตรวจจับเฉพาะช่วงเวลาได้หรือไม่

ฉันไม่ได้มองหาวิธีที่มีประสิทธิภาพในการค้นหาช่วงเวลา (ซึ่งแน่นอนว่าเป็นปัญหาที่แก้ไขแล้ว ) นี่เป็นคำถามที่ว่า "เกิดอะไรขึ้น"

ดังนั้นในทางทฤษฎี: คุณสามารถฝึกโครงข่ายประสาทเทียมเพื่อทำนายว่าตัวเลขที่ให้ n นั้นเป็นคอมโพสิตหรือไพร์มหรือไม่? จะวางโครงข่ายเช่นนี้ได้อย่างไร?

ประสบความสำเร็จในช่วงต้นของการทดสอบจำนวนเฉพาะผ่านทางเครือข่ายเทียมจะนำเสนอในCompositional ประสาทเครือข่ายโซลูชั่นเพื่อการทดสอบนายกรัฐมนตรีจำนวน , László Egri, โทมัสอา Shultz 2006 วิธีการเครือข่ายแบบเรียงซ้อนตามความรู้ (KBCC) แสดงให้เห็นถึงคำสัญญาที่มากที่สุดแม้ว่าการปฏิบัติจริงของวิธีการนี้จะถูกบดบังด้วยอัลกอริธึมการตรวจจับที่สำคัญอื่น ๆ ที่มักจะเริ่มต้นด้วยการตรวจสอบบิตที่สำคัญน้อยที่สุด อิงทฤษฎีบทและการวิเคราะห์พฤติกรรมอื่น ๆ ตาม ) อย่างไรก็ตามงานดังกล่าวยังคงดำเนินต่อไปด้วยการเรียนรู้ด้วยฐานความรู้ด้วย KBCC, Shultz และ อัล 2006$floor(\sqrt{x})$

$0$$2^n-1$$n$

1. มันสามารถเพียงแค่จำจำนวนเฉพาะช่วงของจำนวนเต็ม?
2. ทำได้โดยเรียนรู้ที่จะแยกแยะและใช้คำจำกัดความของนายก?
3. ทำได้โดยเรียนรู้อัลกอริทึมที่รู้จักหรือไม่?
4. สามารถพัฒนาอัลกอริธึมนวนิยายของมันเองระหว่างการฝึกอบรมได้หรือไม่?

คำตอบโดยตรงคือใช่และได้ทำไปแล้วตามข้อ 1 ข้างต้น แต่ทำได้โดยการทำให้แน่นเกินไปไม่เรียนรู้วิธีตรวจจับหมายเลขเฉพาะ เรารู้ว่าสมองของมนุษย์นั้นมีโครงข่ายประสาทเทียมที่สามารถทำให้สำเร็จได้ 2, 3 และ 4 ดังนั้นหากเครือข่ายประดิษฐ์ได้รับการพัฒนาในระดับที่คนส่วนใหญ่คิดว่าพวกเขาสามารถเป็นไปได้ ไม่มีหลักฐานตอบโต้ใด ๆ ที่จะแยกพวกเขาออกจากช่วงของความเป็นไปได้ในขณะที่เขียนคำตอบนี้

ไม่น่าแปลกใจที่มีการดำเนินการเพื่อฝึกอบรมเครือข่ายประดิษฐ์ในการทดสอบหมายเลขเฉพาะเนื่องจากความสำคัญของช่วงเวลาในคณิตศาสตร์ที่ไม่ต่อเนื่องการประยุกต์ใช้กับการเข้ารหัสและยิ่งเจาะจงกับการเข้ารหัส เราสามารถระบุความสำคัญของการตรวจจับเครือข่ายดิจิตอลของตัวเลขสำคัญในการวิจัยและพัฒนาความปลอดภัยดิจิทัลอัจฉริยะในงานเช่นการศึกษาครั้งแรกของวิธีโครงข่ายประสาทเทียมใน RSA Cryptosystem , Gc Meletius และ al., 2002 การเข้ารหัสของการเข้ารหัสเพื่อความปลอดภัยของประเทศของเรานั้นเป็นเหตุผลว่าทำไมการวิจัยปัจจุบันทั้งหมดในพื้นที่นี้จึงไม่ได้เผยแพร่สู่สาธารณะ พวกเราที่อาจมีการกวาดล้างและการสัมผัสสามารถพูดในสิ่งที่ไม่ได้จัด

ในตอนท้ายของงานพลเรือนการทำงานอย่างต่อเนื่องในสิ่งที่เรียกว่าการตรวจจับสิ่งแปลกใหม่เป็นทิศทางสำคัญของการวิจัย ผู้ที่ชอบ Markos Markou และ Sameer Singh กำลังเข้าใกล้การตรวจจับความแปลกใหม่จากด้านการประมวลผลสัญญาณและเป็นที่ชัดเจนสำหรับผู้ที่เข้าใจว่าเครือข่ายประดิษฐ์เป็นหลักตัวประมวลผลสัญญาณดิจิตอลที่มีความสามารถในการจูนด้วยตนเองแบบหลายจุด คำถาม. นายมาร์คและซิงห์เขียนว่า "มีแอพพลิเคชั่นมากมายที่การตรวจจับความแปลกใหม่มีความสำคัญอย่างยิ่งเช่นการประมวลผลสัญญาณการมองเห็นคอมพิวเตอร์การจดจำรูปแบบการทำเหมืองข้อมูลและหุ่นยนต์"

ในด้านคณิตศาสตร์เกี่ยวกับความรู้ความเข้าใจการพัฒนาวิชาคณิตศาสตร์ของความประหลาดใจเช่นการเรียนรู้ด้วยความประหลาดใจ: ทฤษฎีและการประยุกต์ (วิทยานิพนธ์), Mohammadjavad Faraji, 2016อาจเป็นสิ่งที่ Ergi และ Shultz เริ่มขึ้น

ในทางทฤษฎีโครงข่ายประสาทเทียมสามารถแมปฟังก์ชั่นใด ๆ ที่ให้มา (ที่มา )

แต่ถ้าคุณฝึกอบรมเครือข่ายที่มีตัวเลข0ไปNคุณจะไม่สามารถรับประกันได้ว่าเครือข่ายจะจำแนกตัวเลขนอกช่วงที่ถูกต้อง ( n > N)

เครือข่ายดังกล่าวจะเป็นเครือข่ายฟีดไปข้างหน้าปกติ ( MLP ) เนื่องจากการเกิดซ้ำจะไม่เพิ่มสิ่งใด ๆ ในการจัดประเภทของอินพุตที่กำหนด จำนวนเลเยอร์ & โหนดสามารถพบได้ผ่านการทดลองและข้อผิดพลาดเท่านั้น

ฉันเป็นนักวิจัยระดับปริญญาตรีที่ Prairie View A&M มหาวิทยาลัย ฉันคิดว่าฉันจะแสดงความคิดเห็นเพราะฉันเพิ่งใช้เวลาไม่กี่สัปดาห์ที่จะปรับเปลี่ยนรูปแบบ MLPRegressor เพื่อทำนายจำนวนเฉพาะที่ n เมื่อไม่นานมานี้พบว่า minima ต่ำสุดซึ่งการคาดการณ์ 1,000 ครั้งแรกนอกข้อมูลการฝึกอบรมทำให้เกิดข้อผิดพลาดน้อยกว่า. 02 แม้กระทั่งในช่วง 300,000 ครั้งมันก็ลดลงประมาณ 0.5% โมเดลของฉันเรียบง่าย: เลเยอร์ที่ซ่อนอยู่ 10 ชั้นผ่านการฝึกอบรมในโปรเซสเซอร์เดียวเป็นเวลาน้อยกว่า 2 ชั่วโมง

สำหรับฉันแล้วมันเป็นคำถามที่ว่า "มีฟังก์ชั่นที่สมเหตุสมผลที่สร้างหมายเลขเฉพาะตัวที่ n หรือไม่?" ตอนนี้อัลกอริธึมกลายเป็นเรื่องการคำนวณภาษีมากสำหรับ n สุด ตรวจสอบช่องว่างเวลาระหว่างช่วงเวลาที่สำคัญที่สุดที่ค้นพบล่าสุด บางคนอยู่ห่างกันหลายปี ฉันรู้ว่ามันได้รับการพิสูจน์แล้วว่าถ้ามีฟังก์ชั่นดังกล่าวอยู่มันจะไม่เป็นพหุนาม

ใช่มันเป็นไปได้ แต่พิจารณาว่าปัญหาจำนวนเต็มตีนเป็ดเป็นปัญหา NP-บางสิ่งบางอย่างและปัญหา BQP

ด้วยเหตุนี้จึงเป็นไปไม่ได้ที่เครือข่ายนิวรัลที่อิงตามการคำนวณแบบคลาสสิคจะค้นหาหมายเลขเฉพาะที่มีความแม่นยำ 100% ยกเว้น P = NP