[论文解读] Lecture notes on descriptional complexity and randomness

Péter Gács|arXiv (Cornell University)|May 10, 2021

Computability, Logic, AI Algorithms参考文献 43被引用 42

一句话总结

一个关于 Algorithmic Information Theory 基础的教学性综述，介绍描述性复杂性和随机性，给出形式定义与关键技巧。

ABSTRACT

A didactical survey of the foundations of Algorithmic Information Theory. These notes are short on motivation, history and background but introduce some of the main techniques and concepts of the field. The "manuscript" has been evolving over the years. Please, look at "Version history" below to see what has changed when.

研究动机与目标

• 激发并概述 Algorithmic Information Theory 的基础。
• 引入描述性复杂性（如 C(x)）和随机性的正式概念。
• 展示用于研究随机性与复杂性的核心技术与概念。
• 讨论统一测试及与随机性相关的广义概念。

提出的方法

• 以现代记法引入并定义 Kolmogorov complexity C(x) 与 prefix complexity K(x)。
• 通过算法概率及相关测试来解释随机性。
• 呈现统一测试与广义复杂性概念。
• 在无限序列与类测试方面融入关于随机性的材料。
• 提供正式定义与教学性推进的主题顺序。

实验结果

研究问题

• RQ1 在 algorithmic information theory 中，描述性复杂性与随机性的精确形式定义是什么？
• RQ2 统一测试如何表征随机性，以及它们如何与广义的复杂性概念相关？
• RQ3 在同一形式框架下，如何处理无限序列的随机性？

主要发现

• 提供描述性复杂性与随机性的正式定义。
• 概述在 algorithmic information theory 中使用的主要技术与概念。
• 指出 notation 的更新以符合当前标准（C(x) 与 K(x)）。
• 通过算法概率与统一/类测试覆盖随机性。
• 在框架内包含关于无限序列和统一测试的材料。