我们可以从通用图灵机器中学到什么? (What can we learn from universal Turing machines?)

In the present paper, we construct what we call a pedagogical universal Turing machine. We try to understand which comparisons with biological phenomena can be deduced from its encoding and from its working.

翻译：在本文件中,我们构建了我们所谓的教育通用图灵机器,我们试图了解从它的编码和工作上可以推断出与生物现象的比较。

相关内容

学成

关注 0

Linux导论，Introduction to Linux，96页ppt

专知会员服务

75+阅读 · 2020年7月26日

零样本文本分类，Zero-Shot Learning for Text Classification

专知会员服务

95+阅读 · 2020年5月31日

【开放书】贝叶斯推理与机器学习，690页pdf，Bayesian Reasoning and Machine Learning

专知会员服务

182+阅读 · 2020年5月30日

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集

专知会员服务

161+阅读 · 2020年3月18日

【Thomas G. Dietterich】机器“理解”意味着什么?（What does it mean for a machine to “understand”?）

专知会员服务

8+阅读 · 2020年1月3日

【电子书】机器学习实战（Machine Learning in Action），附PDF

专知会员服务

124+阅读 · 2019年11月25日

253页通俗易懂最新的机器学习系统入门书籍（Machine-Learning-Systems）（附pdf下载）

专知会员服务

69+阅读 · 2019年10月27日

【机器学习基础最新版】（Mathematics for Machine Learning），417页pdf

专知会员服务

234+阅读 · 2019年10月21日

Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs

专知会员服务

30+阅读 · 2019年10月17日

机器学习入门的经验与建议

专知会员服务

89+阅读 · 2019年10月10日

计算机 | 入门级EI会议ICVRIS 2019诚邀稿件

Call4Papers

10+阅读 · 2019年6月24日

Call for Participation: Shared Tasks in NLPCC 2019

中国计算机学会

5+阅读 · 2019年3月22日

【TED】生命中的每一年的智慧

英语演讲视频每日一推

9+阅读 · 2019年1月29日

Unsupervised Learning via Meta-Learning

CreateAMind

41+阅读 · 2019年1月3日

A Technical Overview of AI & ML in 2018 & Trends for 2019

待字闺中

15+阅读 · 2018年12月24日

disentangled-representation-papers

CreateAMind

26+阅读 · 2018年9月12日

利用 Universal Transformer，翻译将无往不利！

谷歌开发者

5+阅读 · 2018年9月4日

Hierarchical Disentangled Representations

CreateAMind

4+阅读 · 2018年4月15日

【推荐】免费书(草稿)：数据科学的数学基础

机器学习研究会

19+阅读 · 2017年10月1日

Andrew NG的新书《Machine Learning Yearning》

我爱机器学习

11+阅读 · 2016年12月7日

Supervised learning of analysis-sparsity priors with automatic differentiation

Arxiv

0+阅读 · 2021年12月15日

On Baker-Gill-Solovay Oracle Turing Machines and Relativization Barrier

Arxiv

0+阅读 · 2021年12月13日

Machine Learning from a Continuous Viewpoint

Arxiv

6+阅读 · 2019年12月30日

UNITER: Learning UNiversal Image-TExt Representations

Arxiv

23+阅读 · 2019年9月25日

Universal Transformers

Arxiv

5+阅读 · 2019年3月5日

Context in Neural Machine Translation: A Review of Models and Evaluations

Arxiv

5+阅读 · 2019年1月25日

Optimization Models for Machine Learning: A Survey

Arxiv

18+阅读 · 2019年1月16日

Sockeye: A Toolkit for Neural Machine Translation

Arxiv

7+阅读 · 2018年6月1日

Metric for Automatic Machine Translation Evaluation based on Universal Sentence Representations

Arxiv

4+阅读 · 2018年5月18日

Revisiting Simple Neural Networks for Learning Representations of Knowledge Graphs

Arxiv

6+阅读 · 2018年1月8日

VIP会员

文章信息

前往arXiv

下载PDF