คำถามติดแท็ก lg.learning

ฉันกำลังคิดถึงปัญหาต่อไปนี้: ฉันต้องการค้นหานิพจน์ทั่วไปที่ตรงกับชุดสตริงเฉพาะ (เช่นที่อยู่อีเมลที่ถูกต้อง) และไม่ตรงกับที่อื่น (ที่อยู่อีเมลไม่ถูกต้อง) สมมติว่าโดยการแสดงออกปกติเราหมายถึงเครื่องสถานะ จำกัด ที่กำหนดไว้อย่างดีบางอย่างฉันไม่คุ้นเคยกับคำศัพท์ที่แน่นอน แต่เราเห็นด้วยกับบางคลาสของนิพจน์ที่ได้รับอนุญาต แทนที่จะสร้างนิพจน์ด้วยตนเองฉันต้องการตั้งค่าบวกและชุดตัวอย่างเชิงลบ จากนั้นควรมีนิพจน์ที่ตรงกับตัว + ปฏิเสธสิ่งที่อยู่ในนั้นและมีความหมายน้อยที่สุด (จำนวนสถานะในออโตมาตะ) คำถามของฉันคือ: ได้รับการพิจารณาปัญหานี้แล้วจะกำหนดได้อย่างเป็นรูปธรรมมากขึ้นและสามารถแก้ไขได้อย่างมีประสิทธิภาพได้อย่างไร เราสามารถแก้มันในเวลาพหุนามได้หรือไม่? มันเป็น NP ที่สมบูรณ์เราสามารถประมาณมันได้ไหม? สำหรับคลาสของนิพจน์ใดที่ใช้งานได้ ฉันขอขอบคุณตัวชี้ไปที่ตำราบทความหรือสิ่งที่กล่าวถึงหัวข้อนี้ สิ่งนี้เกี่ยวข้องกับความซับซ้อนของ Kolmogorov หรือไม่? สิ่งนี้เกี่ยวข้องกับการเรียนรู้หรือไม่? หากการแสดงออกปกติสอดคล้องกับตัวอย่างของฉันเราสามารถพูดบางสิ่งเกี่ยวกับอำนาจการวางนัยทั่วไปของมันในตัวอย่างที่มองไม่เห็นได้หรือไม่ เกณฑ์ใดสำหรับการย่อเล็กสุดจะเหมาะสมกว่าสำหรับเรื่องนี้? อันไหนจะมีประสิทธิภาพมากกว่ากัน? สิ่งนี้มีการเชื่อมต่อกับการเรียนรู้ของเครื่องหรือไม่? ตัวชี้ใด ๆ จะเป็นประโยชน์ ... ขออภัยสำหรับคำถามที่ยุ่ง ๆ ชี้ให้ฉันไปในทิศทางที่ถูกต้องเพื่อหาสิ่งนี้ ขอบคุณมาก!

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

เรารู้ว่า (ดูเช่นทฤษฎีบทที่ 1 และ 3 ของ [1]) ภายใต้เงื่อนไขที่เหมาะสมฟังก์ชั่นที่สามารถคำนวณได้อย่างมีประสิทธิภาพโดยเครื่องทัวริงในเวลาพหุนาม ("คำนวณได้อย่างมีประสิทธิภาพ") สามารถแสดงออกโดยเครือข่ายพหุนาม ด้วยขนาดที่เหมาะสมและสามารถเรียนรู้ได้ด้วยความซับซ้อนตัวอย่างพหุนาม ("เรียนรู้ได้") ภายใต้การแจกแจงการป้อนข้อมูลใด ๆ ที่นี่ "เรียนรู้ได้" จะเกี่ยวข้องกับความซับซ้อนของตัวอย่างเท่านั้นโดยไม่คำนึงถึงความซับซ้อนของการคำนวณ ฉันสงสัยเกี่ยวกับปัญหาที่เกี่ยวข้องอย่างใกล้ชิด: มีฟังก์ชันที่ไม่สามารถคำนวณได้อย่างมีประสิทธิภาพโดย Turing machine ในเวลาพหุนาม ("ไม่สามารถคำนวณได้อย่างมีประสิทธิภาพ") แต่ในขณะเดียวกันสามารถเรียนรู้ได้ด้วยความซับซ้อนของตัวอย่างพหุนาม ภายใต้การแจกแจงอินพุตใด ๆ [1] ร้อยเอ็ด Livni, Shai Shalev-Shwartz, Ohad Shamir, " ประสิทธิภาพการคำนวณของการฝึกอบรมโครงข่ายประสาทเทียม ", 2014

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

เครื่องจะได้รับการเข้าถึงของออราเคิลเพื่อสุ่มแบบบูลฟังก์ชั่นและสองฟูริเยร์สเปกตรัมและเอชPHPHPHf:{0,1}n→{−1,1}f:{0,1}n→{−1,1}f:\{0,1\}^n \to \{ -1,1 \}ggghhh Fourier spectra ของฟังก์ชันถูกกำหนดเป็น :fffF:{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) หนึ่งในgggหรือhhhคือสเปกตรัมฟูเรียร์ที่แท้จริงของfffและอีกหนึ่งเป็นเพียงสเปกตรัมปลอมของฟูริเยร์ที่เป็นของฟังก์ชันบูลีนสุ่มที่ไม่รู้จัก ไม่ยากที่จะแสดงให้เห็นว่าเครื่องPHPHPHไม่สามารถประมาณค่าF(s)F(s)F(s)สำหรับsใด ๆsssได้ ความซับซ้อนของแบบสอบถามในการตัดสินใจด้วยความน่าจะเป็นที่ประสบความสำเร็จสูงเป็นที่หนึ่งจริงหรือไม่ เป็นที่น่าสนใจกับผมเพราะถ้าปัญหานี้ไม่ได้อยู่ในPHPHPHแล้วสามารถแสดงให้เห็นว่ามีการพยากรณ์ญาติที่BQPBQPBQPไม่เซตของPHPHPHPH

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

อันดับสัญญาณของเมทริกซ์ A ที่มี + 1, -1 รายการเป็นอันดับที่น้อยที่สุด (เหนือ reals) ของเมทริกซ์ B ซึ่งมีรูปแบบเครื่องหมายเดียวกันกับ A (เช่นสำหรับiทั้งหมด, ญ ) ความคิดนี้มีความสำคัญในการสื่อสารที่ซับซ้อนและทฤษฎีการเรียนรู้AijBij>0AijBij>0A_{ij}B_{ij}>0i,ji,ji,j คำถามของฉันคือ: มีอัลกอริธึมที่รู้จัก (เวลาเอ็กซ์โปแนนเชียล) ใดบ้างที่ใกล้เคียงกับเครื่องหมายการจัดอันดับของเมทริกซ์ภายในปัจจัย ?o(n)o(n)o(n) (ฉันรู้ว่าขอบเขตล่างของฟอร์สเตอร์นั้นอยู่ที่ระดับสัญญาณในแง่ของบรรทัดฐานสเปกตรัม แต่สิ่งนี้ไม่ได้ให้อัตราส่วนประมาณที่ดีกว่าโดยทั่วไป)Ω(n)Ω(n)\Omega(n)

25 lg.learning  open-problem  communication-complexity  matrices 

มีวรรณกรรมจำนวนมากเกี่ยวกับ "การทดสอบคุณสมบัติ" - ปัญหาในการทำแบบสอบถามกล่องดำจำนวนเล็กน้อยไปยังฟังก์ชันเพื่อแยกความแตกต่างระหว่างสองกรณี:ฉ: { 0 , 1 }n→ Rf:{0,1}n→Rf\colon\{0,1\}^n \to R เป็นสมาชิกของคลาสบางฟังก์ชัน CฉffคC\mathcal{C} คือ ε -far จากฟังก์ชั่นในทุกระดับCฉffεε\varepsilonคC\mathcal{C} ช่วงของฟังก์ชันบางครั้งเป็นบูลีน: R = { 0 , 1 }แต่ไม่เสมอไปRRRR = { 0 , 1 }R={0,1}R = \{0,1\} นี่ -far จะถูกนำทั่วไประยะ Hamming เฉลี่ย: ส่วนของจุดของFที่จะต้องมีการเปลี่ยนแปลงเพื่อไปยังสถานที่ฉระดับC นี่คือการวัดตามธรรมชาติถ้าfมีช่วงบูลีน แต่ดูเป็นธรรมชาติน้อยกว่าถ้าช่วงนั้นบอกว่ามีคุณค่าจริงεε\varepsilonฉfffffCC\mathcal{C}fff คำถามของฉัน: มีวรรณกรรมการทดสอบคุณสมบัติที่ทดสอบความใกล้ชิดกับคลาสบางส่วนเกี่ยวกับตัวชี้วัดอื่น ๆ หรือไม่?CC\mathcal{C}

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

นี่เป็นนามธรรมของปัญหาการเรียนรู้ออนไลน์ / โจรที่ฉันได้ทำงานในช่วงฤดูร้อน ฉันไม่เคยเห็นปัญหาแบบนี้มาก่อนและมันก็ดูน่าสนใจทีเดียว หากคุณรู้จักงานที่เกี่ยวข้องใด ๆ ฉันขอขอบคุณการอ้างอิง ปัญหา การตั้งค่าเป็นของโจรติดอาวุธหลายคน คุณมีแขนไม่มี แขนแต่ละอัน i มีการแจกแจงความน่าจะเป็นที่ไม่รู้จัก แต่แน่นอนผ่านการให้รางวัลซึ่งสามารถรับได้โดยการเล่น เพื่อความเป็นรูปธรรมลองสมมุติว่าแขนแต่ละข้างของฉันจ่ายรางวัล $ 10 พร้อมความน่าจะเป็นp [i]และให้รางวัล $ 0 กับปัญหา 1-P [ผม] ในทุกรอบทีคุณเลือกชุดS [t]แขนเล่น สำหรับแขนแต่ละข้างที่คุณเลือกคุณจะต้องจ่ายค่าธรรมเนียม$ 1ล่วงหน้า สำหรับแขนที่เลือกแต่ละครั้งคุณจะได้รับรางวัลซึ่งมาจากการแจกแจงความน่าจะเป็นของรางวัล (ไม่ทราบ) ที่แขน รางวัลทั้งหมดเข้าสู่บัญชีธนาคารของคุณและค่าธรรมเนียมทั้งหมดจะถูกหักออกจากบัญชีนั้น นอกจากนี้คุณจะได้รับเครดิต$ 1เมื่อเริ่มต้นของการวนซ้ำทุกครั้ง ปัญหาคือการพัฒนานโยบายในการเลือกชุดย่อยของอาวุธที่จะเล่นในการทำซ้ำแต่ละครั้งเพื่อเพิ่มผลกำไร (เช่นรางวัลลบด้วยค่าธรรมเนียมสำหรับการเล่น) ในระยะเวลาที่ยาวนานพอสมควรภายใต้ข้อ จำกัด ที่ต้องรักษายอดเงินในบัญชี ทุกเวลา. ฉันไม่ได้ระบุว่าการแจกรางวัลแบบต่อแขนจะถูกเลือกจากการแจกแจงก่อนหน้าหรือการเลือกโดยฝ่ายตรงข้าม ตัวเลือกทั้งสองมีเหตุผล การกำหนดปฏิปักษ์เป็นที่น่าสนใจสำหรับฉันมากขึ้น แต่อาจยากที่จะทำให้ก้าวหน้า ฝ่ายตรงข้ามเลือกเวกเตอร์ (D1, D2, .. , DN) …

19 machine-learning  lg.learning  online-learning 

Zinkevich ของ "การเพิ่มประสิทธิภาพออนไลน์นูน" ( http://www.cs.cmu.edu/~maz/publications/ICML03.pdf ) generalizes "ลดความเสียใจ" เรียนรู้อัลกอริธึมจากการตั้งค่าเชิงเส้นการตั้งค่านูนและ "นอกเขตเสียใจ" . มีลักษณะทั่วไปที่คล้ายกันสำหรับเสียใจภายใน? (ฉันไม่แน่ใจโดยสิ้นเชิงแม้จะหมายถึงอะไรก็ตาม)

19 lg.learning  online-learning 

ฉันพยายามที่จะเข้าใจความซับซ้อนของฟังก์ชั่นแสดงได้ผ่านประตูเกณฑ์และนี่ทำให้ฉัน 0 โดยเฉพาะอย่างยิ่งฉันสนใจสิ่งที่เป็นที่รู้จักในปัจจุบันเกี่ยวกับการเรียนรู้ในเนื่องจากฉันไม่ใช่ผู้เชี่ยวชาญในพื้นที่T C 0TC0TC0\mathsf{TC}^0TC0TC0\mathsf{TC}^0 สิ่งที่ฉันค้นพบคือ: ทั้งหมด C 0สามารถเรียนรู้ได้ในเวลา quasipolynomial ภายใต้เครื่องแบบกระจายผ่านLinial-Mansour-นิสันAC0AC0\mathsf{AC}^0 บทความของพวกเขายังชี้ให้เห็นว่าการดำรงอยู่ของเครื่องกำเนิดไฟฟ้าหลอกเทียมช่วยป้องกันการเรียนรู้และสิ่งนี้ควบคู่ไปกับผลในภายหลังของNaor-Reingoldที่ยอมรับ PRFGs แสดงให้เห็นว่าT C 0แสดงถึงขีด จำกัด ของการเรียนรู้ -sense)TC0TC0\mathsf{TC}^0TC0TC0\mathsf{TC}^0 มีกระดาษ 2002 จากJackson / Klivans / Servedioที่สามารถเรียนรู้ส่วนของ (โดยมีประตูเสียงส่วนใหญ่ที่เป็น polylogarithmic ส่วนใหญ่)TC0TC0\mathsf{TC}^0 ฉันทำ google scholaring ตามปกติแล้ว แต่ฉันหวังว่าภูมิปัญญาส่วนรวมของ cstheory อาจมีคำตอบที่รวดเร็วกว่า: ฉันอธิบายสิ่งที่ทันสมัยสำหรับความเข้าใจในความซับซ้อนของการเรียนรู้ของเราหรือไม่ และมีการสำรวจ / การอ้างอิงที่ดีที่แมปสภาพปัจจุบันของภูมิทัศน์หรือไม่?

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

แก้ไข:เนื่องจากฉันไม่ได้รับคำตอบ / ความคิดเห็นใด ๆ ในหนึ่งสัปดาห์ฉันต้องการเพิ่มว่าฉันมีความสุขที่ได้ยินอะไรเกี่ยวกับปัญหา ฉันไม่ได้ทำงานในพื้นที่ดังนั้นแม้ว่าจะเป็นเรื่องง่ายฉันอาจไม่รู้ แม้แต่ความคิดเห็นเช่น "ฉันทำงานในพื้นที่ แต่ฉันไม่เห็นลักษณะเช่นนี้" จะเป็นประโยชน์! พื้นหลัง: มีรูปแบบการเรียนรู้ที่ดีหลายอย่างในทฤษฎีการเรียนรู้ (เช่นการเรียนรู้ PAC การเรียนรู้ออนไลน์ ตัวอย่างเช่นในการเรียนรู้ PAC ความซับซ้อนของตัวอย่างของคลาสแนวคิดมีลักษณะเชิงผสมที่ดีในแง่ของมิติ VC ของคลาส ดังนั้นหากเราต้องการที่จะเรียนรู้ชั้นเรียนที่มีความแม่นยำและความมั่นใจอย่างต่อเนื่องสิ่งนี้สามารถทำได้ด้วยตัวอย่างΘ(d)Θ(d)\Theta(d)โดยที่คือมิติ VC (โปรดทราบว่าเรากำลังพูดถึงความซับซ้อนของตัวอย่างไม่ใช่ความซับซ้อนของเวลา) นอกจากนี้ยังมีคุณลักษณะที่ละเอียดยิ่งขึ้นในแง่ของความแม่นยำและความมั่นใจ ในทำนองเดียวกันรูปแบบความผิดพลาดที่ถูกผูกไว้ของการเรียนรู้ออนไลน์มีลักษณะตัวอักษรแบบ combinatorial ที่ดีddd คำถาม: ฉันต้องการที่จะรู้ว่าผลลัพธ์ที่คล้ายกันเป็นที่รู้จักกันในรูปแบบของการเรียนรู้ที่แน่นอนด้วยแบบสอบถามสมาชิก รูปแบบที่ถูกกำหนดไว้ดังต่อไปนี้: เรามีการเข้าถึงกล่องดำซึ่งการป้อนข้อมูลช่วยให้คุณ(x) เรารู้มาจากบางส่วนแนวคิดระดับCเราต้องการพิจารณาด้วยคำค้นหาน้อยที่สุดxxxf(x)f(x)f(x)fffCCCfff มีพารามิเตอร์ combinatorial ของคลาสแนวคิดที่กำหนดจำนวนของแบบสอบถามที่จำเป็นในการเรียนรู้แนวคิดในรูปแบบของการเรียนรู้ที่แน่นอนด้วยแบบสอบถามสมาชิกหรือไม่CCC สิ่งที่ฉันรู้: ที่ดีที่สุดของตัวละครเช่นฉันได้พบอยู่ในกระดาษนี้โดย Servedio และ Gortlerโดยใช้พารามิเตอร์ที่พวกเขาแอตทริบิวต์ไปBshouty, Cleve, Gavalda, คานและ Tamon พวกเขากำหนดพารามิเตอร์ combinatorial เรียกว่าโดยที่คือคลาสแนวคิดซึ่งมีคุณสมบัติดังต่อไปนี้ (ให้เป็นจำนวนคำค้นหาที่ดีที่สุดที่จำเป็นในการเรียนรู้ในรูปแบบนี้)γCγC\gamma^CCCCQCQCQ_CCCC QC=Ω(1/γC)QC=Ω(log|C|)QC=O(log|C|/γC)QC=Ω(1/γC)QC=Ω(log⁡|C|)QC=O(log⁡|C|/γC)Q_C = …

15 reference-request  machine-learning  lg.learning 

พิจารณา(X,≤)(X,≤)(X, \leq) poset จำกัด เหนือรายการnnnและPPPที่ไม่ทราบคำกริยาแสดงคำพูดเหนือXXX (เช่นสำหรับใด ๆxxx , y∈Xy∈Xy \in XหากP(x)P(x)P(x)และx≤yx≤yx \leq yแล้วP(y)P(y)P(y) ) ฉันสามารถประเมินPPPโดยระบุหนึ่งโหนดx∈Xx∈Xx \in Xและค้นหาว่าP(x)P(x)P(x)ถืออยู่หรือไม่ เป้าหมายของฉันคือการพิจารณาว่าชุดของโหนดx∈Xx∈Xx \in Xที่P(x)P(x)P(x)ถือใช้โดยใช้การประเมินPPPที่สุดเท่าที่จะทำได้ (ฉันสามารถเลือกคำค้นหาของฉันได้ขึ้นอยู่กับคำตอบของคำค้นหาก่อนหน้าทั้งหมดฉันไม่จำเป็นต้องวางแผนคำถามทั้งหมดล่วงหน้า) กลยุทธ์SSSมากกว่า(X,≤)(X,≤)(X, \leq)เป็นฟังก์ชั่นที่บอกฉันเป็นฟังก์ชั่นการค้นหาที่ฉันวิ่งเพื่อให้ห่างไกลและคำตอบของพวกเขาซึ่งโหนดแบบสอบถามและซึ่งทำให้มั่นใจได้ว่าเมื่อใดกริยาPPPโดยดำเนินการตามกลยุทธ์ ฉันจะไปถึงสถานะที่ฉันรู้ค่าของPPPบนโหนดทั้งหมด เวลาทำงานr(S,P)r(S,P)r(S, P)ของSSSบนเพรดิเคตPPPคือจำนวนของเคียวรีที่ต้องการทราบค่าของPPPบนโหนดทั้งหมด เวลาทำงานที่เลวร้ายที่สุดของSSSคือ ) กลยุทธ์ที่ดีที่สุด S 'เป็นเช่นนั้น W R ( S ' ) = นาทีS W R ( S )wr(S)=maxPr(S,P)wr(S)=maxPr(S,P)wr(S) = \max_P r(S, P)S′S′S'wr(S′)=minSwr(S)wr(S′)=minSwr(S)wr(S') = \min_S …

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

พื้นหลัง ฟังก์ชันในเป็น PAC ที่เรียนรู้ได้ในเวลา quasipolynomial ด้วยอัลกอริทึมแบบดั้งเดิมที่ต้องใช้แบบสอบถามที่เลือกแบบสุ่มเพื่อเรียนรู้วงจรความลึก d [1] หากไม่มีอัลกอริทึมการแฟ็กเตอริงนี่ก็เป็นสิ่งที่ดีที่สุด [2] แน่นอนในคอมพิวเตอร์ควอนตัมเรารู้วิธีคำนึงถึงปัจจัยดังนั้นขอบเขตล่างนี้จึงไม่ช่วย ยิ่งไปกว่านั้นอัลกอริธึมคลาสสิคที่เหมาะสมที่สุดใช้สเปกตรัมของฟูริเยร์ของฟังก์ชั่นจึงกรีดร้องC0Aค0AC^0O ( 2)l o g( n )O ( d))O(2ล.โอก.(n)O(d))O(2^{log(n)^{O(d)}})2no ( 1 )2nโอ(1)2^{n^{o(1)}} [1] N. Linial, Y. Mansour และ N. Nisan [1993] "วงจรเชิงลึกคงที่, การแปลงฟูริเยร์, และการเรียนรู้", วารสาร ACM 40 (3): 607-620 [2] M. Kharitonov [1993] "ความแข็งการเข้ารหัสของการเรียนรู้เฉพาะการกระจาย", การดำเนินการของ ACM STOC'93, pp. 372-381 …

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

ความซับซ้อนของการสืบค้นที่รู้จักกันดีที่สุดของอัลกอริทึมการเรียนรู้ Goldreich-Levin คืออะไร? บันทึกการบรรยายจากบล็อก Luca Trevisan ของ , บทแทรกที่ 3 ระบุว่ามันเป็นn) นี่เป็นที่รู้จักกันดีที่สุดในแง่ของการพึ่งพาหรือไม่? ฉันจะขอบคุณเป็นพิเศษสำหรับการอ้างอิงไปยังแหล่งข้อมูลอ้างอิง!O ( 1 / ϵ4ไม่มีบันทึกn )O(1/ε4nเข้าสู่ระบบ⁡n)O(1/\epsilon^4 n \log n)nnn คำถามที่เกี่ยวข้อง: ความซับซ้อนของการสืบค้นที่รู้จักกันดีที่สุดของอัลกอริทึมการเรียนรู้ Kushilevitz-Mansour คืออะไร?

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

ผมได้รับมอบหมายให้นักเรียนของฉันมีปัญหาในการหาสามเหลี่ยมสอดคล้องกับคอลเลกชันที่คะแนนในR 2 , ที่มีป้ายกำกับ± 1 (สามเหลี่ยมTคือสอดคล้องกับตัวอย่างที่มีป้ายกำกับถ้าTมีทั้งหมดของบวกและไม่มีจุดลบนั้นโดยสมมติฐานยอมรับตัวอย่างอย่างน้อย 1 รูปสามเหลี่ยมที่สอดคล้องกัน)mmmR2R2\mathbb{R}^2±1±1\pm1TTTTTT สิ่งที่ดีที่สุดที่พวกเขา (หรือฉัน) สามารถทำได้คืออัลกอริธึมที่ทำงานในเวลาโดยที่mคือขนาดตัวอย่าง ใคร ๆ ก็ทำได้ดีกว่ากัน?O(m6)O(m6)O(m^6)mmm

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

ฉันถามคำถามนี้ในการถามตอบที่ผ่านการตรวจสอบแล้ว แต่ดูเหมือนว่าเกี่ยวข้องกับ CS มากกว่าสถิติ คุณสามารถยกตัวอย่างอัลกอริธึมการเรียนรู้ของเครื่องซึ่งเรียนรู้จากคุณสมบัติทางสถิติของชุดข้อมูลที่ไม่ใช่การสังเกตการณ์ของตัวเองเช่นการใช้แบบจำลองแบบสอบถามเชิงสถิติได้หรือไม่

13 lg.learning  machine-learning 

พื้นหลัง:ในการเรียนรู้ของเครื่องเรามักจะทำงานกับแบบกราฟิกเพื่อแสดงฟังก์ชั่นความหนาแน่นของความน่าจะเป็นมิติสูง หากเรายกเลิกข้อ จำกัด ที่ความหนาแน่นรวม (ผลรวม) กับ 1 เราจะได้รับฟังก์ชั่นพลังงานที่มีโครงสร้างของกราฟที่ผิดปกติ สมมติว่าเรามีฟังก์ชั่นเช่นพลังงาน, , กำหนดไว้ในกราฟG = ( V , E ) มีตัวแปรหนึ่งคือxสำหรับจุดสุดยอดของกราฟในแต่ละครั้งและมีฟังก์ชั่นเอกและคู่จริงมูลค่าθ ฉัน ( x ฉัน ) : ฉัน∈ Vและθ ฉันJ ( x ฉัน , x J ) : ฉันเจ∈ E , ตามลำดับ พลังงานเต็มแล้วEEEG=(V,E)G=(V,E)G = (\mathcal{V}, \mathcal{E})xxxθi(xi):i∈Vθi(xi):i∈V\theta_i(x_i) : i \in \mathcal{V}θij(xi,xj):ij∈Eθij(xi,xj):ij∈E\theta_{ij}(x_i, x_j) : ij …

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