Je prends votre tâche comme suit: prendre l'entrée-sortie observée et apprendre une représentation qui est capable de faire cette transformation avec de nouvelles entrées.
(Certains) Les réseaux de neurones peut apprendre une approximation fonction (Universal approximation theorem ) (et probablement d'autres approches), mais il y a quelque chose d'important de remarquer:
Sans hypothèses au sujet de votre fonction (par exemple, la douceur), il ne peut pas être un algorithme réalisant ce que vous voulez faire! Sans hypothèses, il existe de nombreuses fonctions d'approximation infinies, qui sont toutes aussi bonnes sur vos exemples, mais qui se comportent arbitrairement différemment sur de nouvelles données!
(je suis aussi ignorant que des cas particuliers-:-données aléatoires ou générateurs aléatoires cryptographiques où cette cartographie ne peut pas être a aussi appris (l'ancien en théorie, celle-ci au moins en pratique)
Vous disons que je dois construire différents outils pour différents types de fonctions (en fonction de leur structure, et la gamme d'entrée et de sortie) – thepowerlies
Techniquement, je dis: aucun algorithme ne peut le faire pour n'importe quelle fonction – sascha
Alors, par où dois-je commencer – thepowerlies