Turing machine
PulseAugur coverage of Turing machine — every cluster mentioning Turing machine across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
神经网络权重范数与柯尔莫哥洛夫复杂度相关联
研究人员已经证明了神经网络的权重范数与其生成的输出字符串的柯尔莫哥洛夫复杂度之间存在理论联系。该研究证明，在固定精度设置下，循环神经网络的最小权重范数对应于其输出的柯尔莫哥洛夫复杂度，相差一个对数因子。这一发现表明，权重衰减作为一种先验，与 Solomonoff 的通用先验（对于可计算函数是最优的）相一致。证明依赖于将图灵机程序编码到神经网络权重中，并枚举网络参数，其中对数因子通过排列编码实现。
-
AI治理：图灵机能否解决代理式AI的挑战？
目前正在探讨代理式AI治理是否可以成为一个计算有界过程。研究人员正在考虑图灵机是否理论上可以解决AI系统中的上下文漂移和目标不一致等问题。讨论深入探讨了大部分治理挑战是否可以通过算法来管理，还是固有的复杂性需要替代方法。
-
AI 研究探讨 Transformer 的表达能力和课程学习的益处
两篇新研究论文探讨了 Transformer 模型及其推理能力的理论方面。其中一篇论文分析了标准 Transformer 解码器在 Softmax 注意力下的表达能力，证明了它们如何能够以对数缩放模拟图灵机。第二篇论文为 LLM 后训练中的课程学习提供了一个理论框架，表明与非课程方法相比，它可以将推理任务的样本复杂度提高一个数量级。
-
新研究提出可判定性度量和计算的复杂度类
本文提出了一个理解计算不可判定性的新框架，将艾伦·图灵的工作与格奥尔格·康托尔的集合论联系起来。它引入了一种根据输入数据的概率分布来衡量问题不可判定性程度的方法。该研究还定义了三个新的不可判定问题复杂度类——U-complete、D-complete 和 H-complete——并否定地回答了一个关于不可判定问题复杂度的基本问题，类似于P vs. NP问题。