91
Един от въпросите, на който трябва да се обърне внимание при разглеждането на концепциите на обучението РАС е изчислителната сложност. Този въпрос касае изчислителната ефективност на алгоритъма за обучение. Понятието
изчислителна сложност (computational complexity) е свързано с песимистичните оценки във времето, необходими за обучението на невронните мрежи (обучаема машина) на множеството маркирани примери с мощност N.
На практика работата на алгоритъма зависи от скоростта на използваните величини. От теоретична гледна точка е необходимо такова определяне на времето за обучение, което няма да зависи от конкретните устройства, използвани за обаработка на информацията. Времето за обучение (и съответната изчислителна сложност) се измерва в термините на количеството операции (сложност, умножение и съхранение), необходими за използваните изчисления.
При изчисляване на сложността на алгоритъма за обучение е необходимо да се знае, как тя зависи от размерността на
примерите на обучение т (т.е. от размера на входния слой на обучение на невронните мрежи). В този контекст алгоритъмът се счита за изчислително
ефективен (efficient), ако времето за работа е пропорционално на
, където
. В този случай говорим, че времето за обучение полиноминално зависи от
т (polynomically with
m), а самият алгоритъм се нарича
алгоритъм с полиноминално време на изпълнение (polynominal time algorithm). Задачите за обучение, основани на алгоритъма с полиноминално време на изпълнение се считат за „прости”.
Още
един параметър, на който трябва да се обърне внимание е параметъра за грешки . При сложността на обучаващите множества, параметъра за грешки се явява фиксиран, но произволен; а при оценката на изчислителната сложност на алгоритъма за обучение е необходимо да се знае, как тя зависи от този параметър. Интуитивно следва, че при използване на параметъра задачта за обучение се усложнява. Следователно трябва да се достигне до някое състояние, което обезпечава вероятностно-коректния в смисъл на апроксимация изход. За обезпечаване на ефективността на изчисленията съответстващото състояние се достига за полиноминално време 1/ .
Обединявайки тези разсъждения можем да сформираме следното твърдение:
Алгоритъмът за обучение се явява изчислително ефективен по параметъра за грешки ,
размерността на примерите за обучение т и размерът на обучаващото множество N, ако времето за изпълнение се явява полиноминално по N, и съществува такава стойност , достатъчна за РАС-обучението, при която алгоритъмът се явява полиноминален по т и .