«lg.learning» etiketlenmiş sorular

Şu sorunu düşünüyorum: Belirli bir dizeyle (örneğin geçerli e-posta adresleri için) eşleşen ve başkalarıyla eşleşmeyen (geçersiz e-posta adresleri) normal bir ifade bulmak istiyorum. Normal ifadeyle, iyi tanımlanmış bazı sonlu durum makinelerini kastettiğimizi varsayalım, kesin terminolojiye aşina değilim, ancak izin verilen ifadelerin bazı sınıfları üzerinde anlaşalım. İfadeyi el ile oluşturmak yerine, …

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

Turing makinesi tarafından polinom zamanında ("verimli bir şekilde hesaplanabilir") verimli bir şekilde hesaplanabilen fonksiyonların, kabaca konuşulduğunda, (örneğin, [1] 'in Teoremleri 1’e bakınız) polinom sinir ağları tarafından ifade edilebileceğini biliyoruz. makul boyutlarda olan ve bu nedenle herhangi bir girdi dağılımında polinom örnek karmaşıklığıyla ("öğrenilebilir") öğrenilebilir. Burada "öğrenilebilir", hesaplama karmaşıklığından bağımsız olarak …

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

Bir makinesi rastgele Boole fonksiyonu oracle erişim verilir f : { 0 , 1 } , n → { - 1 , 1 } ve iki Fourier spektrumları, g ve h .PHPHPHf:{0,1}n→{−1,1}f:{0,1}n→{−1,1}f:\{0,1\}^n \to \{ -1,1 \}ggghhh Bir fonksiyon Fourier spektrumları olarak tanımlanır F : { 0 , 1 } , …

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

+ 1, -1 girişli bir A matrisinin işaret sırası, A ile aynı işaret desenine sahip olan bir B matrisinin en düşük sırasıdır (yani, tüm i'ler için , j ). Bu kavram iletişim karmaşıklığı ve öğrenme teorisi için önemlidir.AijBij>0AijBij>0A_{ij}B_{ij}>0i,ji,ji,j Sorum şu: Bir matrisin işaret sırasını faktörüne yaklaştıran bilinen (uzatılabilir zaman) algoritmaları …

25 lg.learning  open-problem  communication-complexity  matrices 

"Özellik testi" ile ilgili geniş bir literatür vardır - iki durumu birbirinden ayırmak işlevine az sayıda kara kutu sorgusu yapma sorunu :f:{0,1}n→Rf:{0,1}n→Rf\colon\{0,1\}^n \to R Cfff , fonksiyon sınıfının bir üyesidirCC\mathcal{C} ε Cfff isimli -far sınıftaki her işlevinden .εε\varepsilonCC\mathcal{C} İşlevin aralığı bazen Boole'dir: , ancak her zaman değil.R = { 0 …

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

İşte yaz aylarında üzerinde çalıştığım çevrimiçi öğrenme / eşkıya probleminin bir özeti. Daha önce böyle bir sorun görmedim ve oldukça ilginç görünüyor. İlgili herhangi bir çalışma biliyorsanız, referansları takdir ediyorum. Sorun Ayar çok kollu haydutlarınkidir. N kolun var. Her kol i, ödüller üzerinden oynanarak kazanılabilecek bilinmeyen fakat sabit bir olasılık …

19 machine-learning  lg.learning  online-learning 

Zinkevich'in "çevrimiçi dışbükey optimizasyonu" ( http://www.cs.cmu.edu/~maz/publications/ICML03.pdf ), "pişmanlık en aza indirgeme" öğrenme algoritmalarını doğrusal bir ayardan dışbükey bir ortama genelleştirir ve iyi "dış pişmanlık" verir . İç pişmanlık için benzer bir genelleme var mı? (Bunun tam olarak ne anlama geldiğinden bile emin değilim.)

19 lg.learning  online-learning 

Eşik kapıları ile ifade edilebilir fonksiyonların karmaşıklığını anlamaya çalışıyorum ve bu beni yol açtı . Özellikle, şu anda içinde öğrenme hakkında bilinenlerle ilgileniyorum , çünkü bölgede uzman değilim.T C 0T C0TC0\mathsf{TC}^0T C0TC0\mathsf{TC}^0 Şimdiye kadar keşfettiğim şey: Tüm , Linial-Mansour-Nisan aracılığıyla tekdüze dağılım altında quasipolinom zamanda öğrenilebilir .A C0birC0\mathsf{AC}^0 Bunların kağıt …

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

Düzenleme: Bir hafta içinde herhangi bir yanıt / yorum almadığım için, sorunla ilgili herhangi bir şey duymaktan mutluluk duyduğumu eklemek istiyorum. Bölgede çalışmıyorum, bu yüzden basit bir gözlem olsa bile bilmiyor olabilirim. "Bölgede çalışıyorum, ancak böyle bir karakterizasyon görmedim" gibi bir yorum bile yardımcı olacaktır! Arka fon: Öğrenme teorisinde iyi …

15 reference-request  machine-learning  lg.learning 

n öğe (X,≤)(X,≤)(X, \leq)üzerinde sonlu bir postayı düşünün ve P , X üzerinde bilinmeyen bir monotonik yüklem (yani herhangi bir x , y ∈ X , eğer P ( x ) ve x ≤ y sonra P ( y ) ise ). P'yi bir x x X düğümü sağlayarak ve …

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

Arka fon 0'daki fonksiyonlar, derinliği devresini öğrenmek için rasgele seçilen sorguları gerektiren klasik klasik bir algoritma ile kuasipolinomiyal zamanda PAC öğrenilebilir . çarpanlara ayırma algoritması yoksa bu optimaldir [2]. Tabii ki, bir kuantum bilgisayarında nasıl faktör hesaplayacağımızı biliyoruz, bu nedenle bu alt sınır yardımcı olmuyor. Ayrıca, en uygun klasik algoritma …

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

Goldreich-Levin öğrenme algoritmasının en iyi bilinen sorgu karmaşıklığı nedir? Luca Trevisan'ın blogu Lemma 3'ün ders notları bunu olarak belirtir . Bu bağımlılık açısından en iyi bilinen midir? Atıfta bulunulan bir kaynağa göndermede özellikle minnettar olacağım!O ( 1 / ϵ4n günlüğün )Ö(1/ε4ngünlük⁡n)O(1/\epsilon^4 n \log n)nnn İlgili soru: Kushilevitz-Mansour öğrenme algoritmasının en …

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

Benim öğrencilere koleksiyonu ile tutarlı bir üçgen bulma sorunu atanan noktalar R 2 ile etiketlenmiş, ± 1 . (Bir üçgen T ise tutarlı ise etiketli örnek ile , T olumlu ve olumsuz noktaları hiçbiri tüm içerir, varsayım, örnek kabul ediyor en az 1 tutarlı üçgen).mmmR,2R2\mathbb{R}^2± 1±1\pm1TTTTTT Onlar (veya I) yapabildikleri …

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

Bu soruyu çapraz doğrulanmış Soru-Cevap bölümünde sordum , ancak CS ile ilgili istatistiklerden çok daha fazlası gibi görünüyor. Tek tek gözlemlerin kendilerinin değil, yani istatistiksel sorgu modelini kullanan veri kümesinin istatistiksel özelliklerinden öğrenen makine öğrenimi algoritmalarından örnekler verebilir misiniz ?

13 lg.learning  machine-learning 

Arka plan: Makine öğreniminde, genellikle yüksek boyutlu olasılık yoğunluk fonksiyonlarını temsil etmek için grafik modellerle çalışırız . Bir yoğunluğun 1 ile bütünleştiği (toplamlar) kısıtlamasını atarsak, normal olmayan bir grafik yapılı enerji fonksiyonu elde ederiz . G = ( V , E ) grafiğinde tanımlanan gibi bir enerji fonksiyonumuz olduğunu varsayalım …

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