We provide a characterization of th

We provide a characterization of the expressive powers of several models of deterministic and nondeterministic first-order recurrent neural networks according to their attractor dynamics. The expressive power of neural nets is expressed as the topological complexity of their underlying neural co-languages, and refers to the ability of the networks to perform more or less complicated classification tasks via the manifestation of specific attractor dynamics. In this context, we prove that most neural models under consideration are strictly more powerful than Muller Turing machines. These results provide new insights into the computational capabilities of recurrent neural networks. (C) 2016 Elsevier Inc. All rights reserved.

ผลลัพธ์ (ไทย) 1:

เราจำแนกลักษณะของพลังแสดงออกของหลายแบบ deterministic และถูกลำดับแรกซ้ำเครือข่ายประสาทตามการ dynamics attractor ของตาข่ายประสาทแสดงเป็นความซับซ้อน topological ของภาษาร่วมประสาทพื้นฐานของพวกเขา และหมายถึงความสามารถของเครือข่ายการทำงานประเภทที่ซับซ้อนมาก หรือน้อยกว่าผ่านทางประกาศของ dynamics attractor เฉพาะ ในบริบทนี้ เราพิสูจน์ว่า แบบจำลองของระบบประสาทมากที่สุดภายใต้การพิจารณาเป็นอย่างเคร่งครัดมีประสิทธิภาพมากกว่าเครื่องจักรทัวริงมูลเลอร์ ผลเหล่านี้ให้เข้าใจเป็นความสามารถเชิงคำนวณของเครือข่ายประสาทกำเริบ (ค) 2016 Elsevier อิงค์ สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 2:

เราให้ลักษณะของอำนาจที่แสดงออกในหลาย ๆ รูปแบบของการกำหนดและ nondeterministic ลำดับแรกเครือข่ายประสาทกำเริบตามพลวัต attractor ของพวกเขา แสดงพลังของประสาทจะแสดงเป็นความซับซ้อนทอพอโลยีของระบบประสาทร่วมภาษาพื้นฐานของพวกเขาและหมายถึงความสามารถของเครือข่ายในการดำเนินงานการจัดหมวดหมู่มากขึ้นหรือซับซ้อนน้อยผ่านการสำแดงของการเปลี่ยนแปลง attractor ที่เฉพาะเจาะจง ในบริบทนี้เราพิสูจน์ได้ว่ารุ่นประสาทมากที่สุดภายใต้การพิจารณาเป็นอย่างเคร่งครัดมีประสิทธิภาพมากขึ้นกว่าเครื่องมุลเลอร์ทัวริง ผลลัพธ์เหล่านี้ให้ข้อมูลเชิงลึกใหม่เข้าสู่ความสามารถในการคำนวณของเครือข่ายประสาทกำเริบ (C) 2016 Elsevier Inc. สงวนลิขสิทธิ์