เพราะเหตุใดการเรียนรู้ของเครื่องจึงไม่สามารถจดจำตัวเลขสำคัญได้
สมมติว่าเรามีการแทนเวกเตอร์ของจำนวนเต็มใด ๆ ของขนาด n, V_n เวกเตอร์นี้เป็นอินพุตของอัลกอริทึมการเรียนรู้ของเครื่อง คำถามแรก: สำหรับประเภทของการเป็นตัวแทนเป็นไปได้ที่จะเรียนรู้ primality / compositeness ของ n โดยใช้เครือข่ายประสาทเทียมหรือการทำแผนที่ ML เวกเตอร์ถึงบิต นี่เป็นทฤษฎีล้วนๆ - เครือข่ายประสาทเทียมอาจมีขนาดไม่ใหญ่โต ลองเพิกเฉยต่อการเป็นตัวแทนที่เกี่ยวข้องกับการทดสอบเบื้องต้นเช่น: รายการที่คั่นด้วย null ของปัจจัยของ n หรือการมีอยู่ของพยาน compositeness เช่นใน Miller Rabin ให้เรามุ่งเน้นไปที่การเป็นตัวแทนใน radices ที่แตกต่างกันหรือการแทนในฐานะเวกเตอร์สัมประสิทธิ์ของ polynomials (อาจเป็นหลายตัวแปร) หรือสิ่งแปลกใหม่อื่น ๆ คำถามที่สอง: สำหรับประเภทใดของอัลกอริทึม ML ที่จะเรียนรู้สิ่งนี้เป็นไปไม่ได้โดยไม่คำนึงถึงเฉพาะเวกเตอร์ที่เป็นตัวแทน อีกครั้งเราปล่อยให้ 'การห้ามโดยมีเรื่องไม่สำคัญ' ที่แสดงตัวอย่างข้างต้น ผลลัพธ์ของอัลกอริทึมการเรียนรู้ของเครื่องเป็นบิตเดียว, 0 สำหรับไพร์ม, 1 สำหรับคอมโพสิต ชื่อของคำถามนี้สะท้อนถึงการประเมินของฉันว่าฉันทามติสำหรับคำถามที่ 1 …