คำถามติดแท็ก ne.neural-evol

อัลกอริธึมทางพันธุกรรมไม่ได้มีแรงฉุดมากนักในโลกแห่งทฤษฎี แต่เป็นวิธีการเกี่ยวกับการเปลี่ยนแปลงที่นิยมใช้อย่างสมเหตุสมผล (โดย metaheuristic ในความเป็นจริงเทคนิคคล้ายกับ GA ค่อนข้างมีประสิทธิภาพสำหรับ Euclidean TSPในทางปฏิบัติ อภิธานศัพท์บางอย่างได้รับการศึกษาอย่างดีพอสมควรในทางทฤษฎี: มีงานเกี่ยวกับการค้นหาในท้องถิ่นและการหลอม เรามีความรู้สึกที่ดีว่าการเพิ่มประสิทธิภาพทางเลือก ( เช่นค่า k ) หมายถึงอะไร แต่เท่าที่ฉันรู้ไม่มีอะไรที่เป็นประโยชน์จริง ๆ รู้เรื่องอัลกอริธึมทางพันธุกรรม มีทฤษฎีเกี่ยวกับอัลกอริทึม / ความซับซ้อนเกี่ยวกับพฤติกรรมของอัลกอริธึมทางพันธุกรรมไม่ว่าในทางรูปร่างหรือรูปแบบใด ๆ ในขณะที่ฉันได้ยินสิ่งต่าง ๆ เช่นทฤษฎีสคีมาฉันจะแยกมันออกจากการอภิปรายตามความเข้าใจปัจจุบันของฉันเกี่ยวกับพื้นที่ที่ไม่ได้เป็นอัลกอริทึมโดยเฉพาะ (แต่ฉันอาจเข้าใจผิดที่นี่)

56 ds.algorithms  ne.neural-evol 

ฉันโพสต์สิ่งนี้ไว้ก่อนหน้านี้บน MSE แต่มีคนแนะนำว่าที่นี่อาจเป็นที่ที่ดีกว่าในการถาม ยูนิเวอร์แซประมาณทฤษฎีบทกล่าวว่า "เครือข่ายฟีดไปข้างหน้าหลายมาตรฐานที่มีชั้นเดียวที่ซ่อนอยู่ซึ่งมีจำนวน จำกัด ของเซลล์ประสาทที่ซ่อนอยู่เป็น approximator สากลในหมู่ฟังก์ชั่นอย่างต่อเนื่องในส่วนย่อยกะทัดรัดของ Rn ภายใต้สมมติฐานที่ไม่รุนแรงในการเปิดใช้งานฟังก์ชั่น." ฉันเข้าใจความหมายของสิ่งนี้ แต่เอกสารที่เกี่ยวข้องเกินระดับความเข้าใจทางคณิตศาสตร์ของฉันเกินกว่าที่จะเข้าใจว่าทำไมมันถึงเป็นจริงหรือเลเยอร์ที่ซ่อนอยู่นั้นใกล้เคียงกับฟังก์ชันที่ไม่ใช่เชิงเส้น ดังนั้นในแง่ที่สูงกว่าแคลคูลัสพื้นฐานและพีชคณิตเชิงเส้นเล็กน้อยเครือข่ายฟีดไปข้างหน้ากับเลเยอร์ที่ซ่อนอยู่หนึ่งฟังก์ชันที่ไม่ใช่เชิงเส้นประมาณกันอย่างไร คำตอบไม่จำเป็นต้องเป็นรูปธรรมโดยสิ้นเชิง

23 approximation-algorithms  ne.neural-evol  na.numerical-analysis 

คำถามนี้เป็นติดตามในคำถามเกี่ยวกับขั้นตอนวิธีการดีเอ็นเอที่ถามโดย Aadita Mehra ในความคิดเห็นมี Joe Fitzsimmons กล่าวในส่วน: [T] รัศมีของระบบจะต้องไต่ระดับเป็นสัดส่วนกับมวลเพื่อหลีกเลี่ยงปัญหานี้ พลังการคำนวณมีขนาดเป็นแนวตรงมากที่สุดในมวล ดังนั้นจำนวนเครื่องจักรของคุณมีรัศมีเป็นเลขชี้กำลัง เนื่องจากคุณไม่สามารถส่งสัญญาณได้เร็วกว่าแสงสัญญาณจากด้านหนึ่งไปอีกด้านหนึ่งใช้เวลานานในการอธิบายถึงอีกฝั่งหนึ่งดังนั้นหากเครื่องจักรทั้งหมดมีส่วนร่วมในคำตอบจึงเป็นไปไม่ได้ที่จะแก้ปัญหาได้น้อยกว่าเลขชี้กำลัง เวลา. คำถามของฉันมีสองส่วน (1) วิธี / วิธีที่ดีที่สุดในการจัดทำแถลงการณ์อย่างเป็นทางการคืออะไร "พลังการคำนวณมีขนาดใหญ่เป็นเส้นตรงในมวล" คำพูดนี้ไม่ได้ขึ้นอยู่กับการอภิปรายหรือเปล่า (2) สมมติว่าคำสั่งนั้นเป็นจริง ถึงกระนั้นธรรมชาติก็สามารถทำ preprocess จำนวนหนึ่งที่เราอาจจะสามารถใช้ประโยชน์ได้ตัวอย่างเช่นการสร้างระบบการมองเห็นของวิวัฒนาการผ่านการ "สุ่มกำลังดุร้าย" ฉันได้ยินและอ่านคำตอบอ่อนนุ่ม (pseudoscientific) จำนวนพอใช้สำหรับคำถามประเภทนี้และฉันจะขอบคุณสำหรับคำตอบใด ๆ ที่นี่ แต่ฉันสนใจมากที่สุดว่า (1) และ (2) สามารถแต่งใหม่ได้อย่างไร ในความแม่นยำ TCS

22 cc.complexity-theory  quantum-computing  ne.neural-evol  physics  natural-computing 

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 

สมมติว่าเรามีฟีดเครือข่ายประสาทส่งต่อเลเยอร์เดียวที่มีอินพุต k และหนึ่งเอาต์พุต ฟังก์ชั่นมันจะคำนวณจาก ก็ค่อนข้างง่ายที่จะเห็นว่าเรื่องนี้มีอย่างน้อยอำนาจการคำนวณเช่นเดียวกับC 0 เพื่อความสนุกสนานเราจะเรียกชุดฟังก์ชั่นที่คำนวณได้โดยเครือข่ายประสาทชั้นเดียว " N e u r a l "{ 0 , 1 }n→ { 0 , 1 }{0,1}n→{0,1}\lbrace 0,1\rbrace ^{n}\rightarrow\lbrace 0,1\rbrace C0AC0AC^0ยังไม่มีข้อความอียูr ลิตรNeuralNeural อย่างไรก็ตามดูเหมือนว่ามันอาจมีพลังการคำนวณมากกว่าเพียงอย่างเดียวC0AC0AC^0 ดังนั้น ... จะC 0 ⊆ N e U r ลิตรหรือN e U r L = C 0 ? ระดับความซับซ้อนเช่นนี้เคยถูกศึกษามาก่อนหรือไม่?C0⊆ Nอียูr …

13 cc.complexity-theory  circuit-complexity  machine-learning  ne.neural-evol 

ปัญหาโลกแห่งความจริงที่แก้ไขโดยใช้อัลกอริทึมพันธุกรรมคืออะไร อะไรคือปัญหา? การทดสอบสมรรถภาพทางกายใช้เพื่อแก้ไขปัญหานี้อย่างไร?

13 ds.algorithms  machine-learning  ai.artificial-intel  application-of-theory  ne.neural-evol 

หลังจากความสำเร็จที่ใหม่กว่าและใหม่กว่าของเครือข่ายประสาทเทียมในการเล่นเกมกระดานเรารู้สึกว่าเป้าหมายต่อไปที่เราตั้งไว้อาจมีประโยชน์มากกว่าการตีมนุษย์ในสตาร์คราฟ แม่นยำมากขึ้นฉันสงสัยว่า โครงข่ายใยประสาทเทียมสามารถฝึกให้แก้ปัญหาอัลกอริทึมแบบคลาสสิคได้หรือไม่? นี่ฉันหมายความว่าเช่นเครือข่ายจะได้รับข้อมูลกราฟมีขอบถ่วงน้ำหนักและสองจุดและที่ระบุไว้และเราขอให้หาที่สั้นที่สุดเส้นทางให้เร็วที่สุดเท่าที่เป็นไปได้ จากนั้นฉันเดาว่าเครือข่ายประสาทจะค้นพบและฝึกฝนตัวเองให้ใช้ Dijkstra หรืออะไรทำนองนี้GGGssstttststst หนึ่งในมือเรารู้ว่ากำลังการคำนวณของเครือข่ายประสาทเป็นTC0TC0TC^0 0 ที่อื่นฉันไม่รู้ว่าสิ่งนี้เกี่ยวข้องกับคำถามของฉันหรือไม่ อย่างไรก็ตามสำหรับปัญหาส่วนใหญ่เราไม่รู้ว่าสามารถแก้ไขได้ในหรือไม่ การดูว่าเครือข่ายประสาทสามารถฝึกอบรมตัวเองได้หรือไม่อาจเป็นตัวบ่งชี้ที่ดีว่ามีอัลกอริทึมที่รวดเร็วหรือไม่ ตัวอย่างเช่นถ้าเครือข่ายประสาทไม่สามารถฝึกตัวเองเพื่อแก้ปัญหาได้อย่างรวดเร็ว SAT แล้วที่ทำให้มัน (มากขึ้น) มีแนวโน้มว่า 0 ฉันสงสัยว่าเครือข่ายประสาทจะทำอะไรกับ GRAPHISOMORPHISM หรือ FACTORIZATIONTC0TC0TC^0NP⊄TC0NP⊄TC0NP\not\subset TC^0 แน่นอนว่าการแยกอัลกอริทึมเป็นคำถามที่แตกต่างอย่างสิ้นเชิง ฉันสงสัยว่าผู้เชี่ยวชาญรู้วิธีการทำเช่นนั้น แต่การอภิปรายไม่ใช่หัวข้อของคำถามนี้ เพิ่มอีกสองวันต่อมา: หลังจากเห็นคำตอบให้ฉันระบุว่าถ้าคุณตอบในเชิงลบแล้วฉันอยากจะรู้ ทำไมการเล่นหมากรุกจึงง่ายกว่า Dijkstra หรือ Graphisomorphism?

9 cc.complexity-theory  ds.algorithms  machine-learning  ne.neural-evol 

ติดตามคำถามนี้... ฉันพยายามที่จะเรียนรู้วิธีการใช้และสร้างเครือข่ายประสาทเทียมสำหรับการวิจัยของฉันและประเด็นหนึ่งก็คือการหลบหนีฉัน ฉันรู้ว่าเลเยอร์ที่ซ่อนอยู่เป็นส่วนที่ค่อนข้างจำเป็นของสิ่งนี้ แต่ฉันติดอยู่ที่สองจุดซึ่งการอ้างอิงของฉันไม่ได้อธิบายถึงความพึงพอใจของฉัน: จุดประสงค์ที่แท้จริงของเลเยอร์ที่ซ่อนคืออะไร? มีวิธีกำหนดจำนวนเลเยอร์ที่ซ่อนไว้ให้ใช้อย่างไร จากสิ่งที่ฉันรวบรวมมันคือ "จำลอง" ฟังก์ชั่นโลกแห่งความเป็นจริง แต่ถ้าเป็นไปได้ฉันต้องการคำอธิบายมากกว่านี้เล็กน้อย

9 ne.neural-evol