结构化数据分类问题中 SAT/UNSAT 相变的临界性质
无序系统与神经网络
2021-11-09 v2 统计力学
摘要
结构化数据的分类问题可通过不同策略求解：一种是从带标签训练集出发的监督学习方法，另一种是无监督学习方法，仅利用数据集中模式的结构来寻找与之兼容的分类。这两种策略可解释为学习多视图数据的半监督方法的极端情形，具有应用相关性。本文在副本理论中，针对共享相同标签的点对之线性二值分类情形，研究了与这些任务相关的两个存储问题的临界性质。第一种方法在（边际）稳定的副本对称相中呈现 SAT/UNSAT 相变，而第二种方法中可满足性线位于完全副本对称破缺相。本文也指出了带间隔学习问题中类似的行为。
引用
@article{arxiv.2109.08502,
title = {Critical properties of the SAT/UNSAT transitions in the classification problem of structured data},
author = {Mauro Pastore},
journal= {arXiv preprint arXiv:2109.08502},
year = {2021}
}
备注
20 pages + appendices, 8 figures