Sobre o status de aprendizagem dentro de


16

Estou tentando entender a complexidade das funções expressáveis ​​através de portas de limiar e isso me levou a . Em particular, estou interessado no que se sabe atualmente sobre o aprendizado no T C 0 , pois não sou especialista na área.TC0TC0

O que eu descobri até agora é:

  • Todos os podem ser aprendidos em tempo quase-polinomial sob a distribuição uniforme via Linial-Mansour-Nisan .AC0
  • Seu trabalho também aponta que a existência de um gerador de função pseudo-aleatória impede o aprendizado, e isso, juntamente com um resultado posterior de Naor-Reingold de que admite PRFGs, sugere que T C 0 representa os limites da capacidade de aprendizagem (pelo menos em um PAC -sentido)TC0TC0
  • Existe um artigo de 2002 de Jackson / Klivans / Servedio que pode aprender um fragmento de (com, no máximo, portas majoritárias polilogarítmicas).TC0 0

Eu fiz a pesquisa usual no Google, mas espero que a sabedoria coletiva da história possa ter uma resposta mais rápida:

É o que descrevi o estado da arte para nossa compreensão da complexidade da aprendizagem (em termos de quais classes imprimem aos alunos eficientes)? E existe uma boa pesquisa / referência que mapeia o estado atual da paisagem?


11
+1 boa pergunta. Lance não tinha um post relacionado há algum tempo?
Kaveh

11
Você quer dizer este (hóspede post por Ryan O'Donnell): blog.computationalcomplexity.org/2005/08/...
Suresh Venkat


11
É plausível que haja geradores pseudo-aleatórios no NC0 . (Em particular, acho muito improvável que um gerador pseudo-aleatório seja conhecido por impedir o aprendizado.) Por outro lado, a existência dos mapas xF(r,x)para uma função pseudo-aleatória, a família impede a aprendizagem. F

3
Linial-Mansour-Nisan mostra que o pode ser aprendido sob a distribuição uniforme no tempo quase-polinomial . Kharitinov mostrou que, se o quase-polinomial fosse aprimorado para polinomial, produziria um algoritmo de tempo subexponencial para fatorar números inteiros de Blum. AC0 0
precisa saber é o seguinte

Respostas:


9

A principal coisa que falta na sua lista é o belo artigo de 2006 de Klivans e Sherstov . Eles mostram lá que o aprendizado de PAC, mesmo os circuitos de limiar de profundidade 2, é tão difícil quanto resolver o problema vetorial mais curto aproximado.


Qual é o tempo de execução mais rápido conhecido por aprender esses circuitos LTF? (ou qualquer coisa dentro de )TC0 0
gradstudent

5

A profundidade-2 TC0 provavelmente não pode ser aprendida pelo PAC em tempo subexponencial na distribuição uniforme com um acesso aleatório ao oráculo. Não conheço uma referência para isso, mas eis o meu raciocínio: sabemos que a paridade é apenas dificilmente aprendível, no sentido de que a classe de funções de paridade é aprendida por si só, mas depois que você faz praticamente qualquer coisa a ela (como adicionando um pouco de ruído aleatório), deixa de ser aprendível. Mas a profundidade 2 do TC0 é forte o suficiente para representar todas as funções de paridade e forte o suficiente para representar versões perturbadas das paridades, então acho que é seguro adivinhar que a profundidade 2 do TC0 não pode ser aprendida pelo PAC.

Entretanto, paridades e paridades barulhentas podem ser aprendidas em tempo polinomial se recebermos um oráculo de associação. Portanto, pode ser interessante verificar se a profundidade 2 do TC0 pode ser aprendida usando um oráculo de associação. Eu não ficaria totalmente surpreso se a resposta fosse sim. Por outro lado, duvido que TC0 com profundidade O ( 1 ) possa ser aprendido com consultas de associação. Pode ser bom começar com AC0 [6] (ou mesmo AC0 [2]) e partir daí.O(1 1)

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.