Poder computacional das redes neurais?

Digamos que temos uma rede neural de avanço de camada única com k entradas e uma saída. Calcula uma função de , é bastante fácil ver que isso tem pelo menos o mesmo poder computacional que . Apenas por diversão, chamaremos o conjunto de funções computável por uma rede neural de camada única " ". $\lbrace 0,1\rbrace ^{n}\rightarrow\lbrace 0,1\rbrace$ $AC^0$ $Neural$

Parece, no entanto, que ele pode ter mais poder computacional do que sozinho. $AC^0$

Então ... ou ? Também esse tipo de classe de complexidade já foi estudada antes? $AC^0 \subseteq Neural$ $Neural = AC^0$

cc.complexity-theory circuit-complexity machine-learning ne.neural-evol gabgoh
fonte

Uma observação sobre terminologia - informações importantes são quantas camadas ocultas existem. A rede neural de camada oculta zero com uma saída é apenas uma função de limite linear e é freqüentemente (confusamente) chamada rede neural / perceptron de uma ou duas camadas, dependendo se as entradas / saídas são consideradas camadas. Além disso, na literatura de IA, as redes neurais são tipicamente definidas em termos de funções sigmóides, o que significa que as entradas / saídas são valorizadas de maneira real. Um redes camada oculta são conhecidos por serem aproximadores universais no sentido de que qualquer função contínua pode ser aproximada arbitrariamente próximo

Yaroslav Bulatov

Poder computacional das redes neurais?

Respostas: