09:34
arXiv cs.AI@Nicolas Flammarion, Chirag Pabbaraju, Hristo Papazov, Miltiadis Stouras, Ola Svensson
精选
推荐理由：这篇论文为空间受限下的语言学习建立了严格理论框架，给出了指数和多项式空间下的精确界限，对理解计算资源与生成能力的关系很有启发。
全部 AI 动态
AI 相关资讯全量信息流
6月25日
09:34
该论文提出一种资源感知的语言生成极限理论框架，在空间效率约束下研究从对抗性正例流中学习目标语言。主要结果：当允许指数空间时，学习器能精确识别目标语言K；在多项式空间约束下，给出一种使用poly(s,k)空间的流式算法，其生成间隙Δ=O(k^{2s-2})，并能捕获K中所有长度≥2s-1的字符串。通过通信复杂度归约证明下界：要达到生成间隙Δ≤k^{(1-ε)s}，需要k^{Ω(εs)}内存。这些结果揭示了多项式空间生成与指数空间精确识别之间的尖锐转变。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
5月29日
11:06
11:06
arXiv cs.AI@Jon Kleinberg, Anay Mehrotra, Amin Saberi, Grigoris Velegkas
推荐理由：这篇论文为有界记忆下的语言生成建立了理论基础，对设计内存受限的AI生成系统（如边缘设备上的语言模型）有直接指导意义。做理论或系统优化的开发者值得关注其中的密度与识别界限。