Mi objetivo es resolver el siguiente problema, que he descrito por su entrada y salida:
Entrada:
Un gráfico acíclico dirigido con nodos, fuentes y sumidero ( ).
Salida:
El VC-dimensión (o una aproximación de la misma) para la red neuronal con topología .
Más detalles :
- Cada nodo en es una neurona sigmoidea. La topología es fija, pero el algoritmo de aprendizaje puede variar los pesos en los bordes.
- El algoritmo de aprendizaje es fijo (por ejemplo, propagación hacia atrás).
- Los nodos fuente son las neuronas de entrada y solo pueden tomar cadenas de como entrada.
- El nodo sumidero es la unidad de salida. Produce un valor real desde que redondeamos hacia arriba a o hacia abajo a si está a más de un cierto umbral fijo lejos de .
El enfoque ingenuo es simplemente tratar de romper más y más puntos, tratando de entrenar a la red en ellos. Sin embargo, este tipo de enfoque de simulación no es eficiente.
Pregunta
¿Existe una manera eficiente (es decir, en cuando se cambia al problema de decisión: ¿es la dimensión VC menor que el parámetro de entrada ?) Para calcular esta función? Si no, ¿hay resultados de dureza? k
¿Existe una manera que funcione bien en la práctica para calcular o aproximar esta función? Si se trata de una aproximación, ¿hay alguna garantía sobre su precisión?
Notas
Hice una pregunta similar sobre stats.SE pero no generó interés.