ν = fraction of red marbles

Similar documents
Ä ÖÒ Ò ÖÓÑ Ø Ö Ëº Ù¹ÅÓ Ø Ð ÓÖÒ ÁÒ Ø ØÙØ Ó Ì ÒÓÐÓ Ý Ä ØÙÖ ½ Ì Ä ÖÒ Ò ÈÖÓ Ð Ñ ËÔÓÒ ÓÖ Ý ÐØ ³ ÈÖÓÚÓ Ø Ç ² Ë Ú ÓÒ Ò ÁËÌ ÌÙ Ý ÔÖ Ð ¾¼½¾

λ = λ = 1.0 w Ø w = C (w) + λ N wì w

Ë Ø Ó ÒÙÑ Ö Ò Ø Ö Ö ÔÖ ÒØ Ø ÓÒ ÁÒ Ø ÓÙÖ Û Û ÐÐ ÒØ Ö Ø Ò Ø Ó ÒÙÑ Ö º ÁÒ ÓÑÔÙØ Ö Ò Û Ö ÓÒ ÖÒ Ý Ø ÕÙ Ø ÓÒ ÓÛ Ó Û Ú Ù Ø Ø ÓÙÖ ÔÓ Ð Ì Û Ý ÒÙÑ Ö Ø ÓÒ Ý Ø Ñ

ÅÓØ Ú Ø ÓÒ Ø Ú Øݹ ØÖ Ú Ð Ñ Ò ÑÓ Ð Ò Ô Ö ÓÒ Ð Þ ÖÚ ÓÒ Ñ ÖØÔ ÓÒ ¾» ¾

ÌÖ ÓÒÓÑ ØÖÝ ÌÖ ÓÒÓÑ ØÖÝ Ð Û Ø Ö Ð Ø ÓÒ Ô ØÛ Ò Ò Ò Ð Ó ØÖ Ò Ð º ÁØ Û ÔÔÐ Ø ÓÒ Ò Ô Ý Ò Ò Ò Ö Ò º Ì ØÖ ÓÒÓÑ ØÖ ÙÒØ ÓÒ Ö Ö Ø Ò Ù Ò Ö Ø¹ Ò Ð ØÖ Ò Ð º C Ì Ç

½º»¾¼ º»¾¼ ¾º»¾¼ º»¾¼ º»¾¼ º»¾¼ º»¾¼ º»¾¼» ¼» ¼ ÌÓØ Ð»½ ¼

Æ ÛØÓÒ³ Å Ø Ó ÐÓ Ì ÓÖÝ Ò ËÓÑ Ø Ò ÓÙ ÈÖÓ ÐÝ Ò³Ø ÃÒÓÛ ÓÙØ Ú º ÓÜ Ñ Ö Ø ÓÐÐ

ÇÙØÐ Ò ½ ¾ ØÖ ÙØ ÓÒ ² Ì Ò ÐÝ Ó Ö ÕÙ Ò ÔÔÐ Ø ÓÒ Ó Ø χ ¾ ËØ Ø Ø ÐÙÐ Ø Ò Ô Ú ÐÙ Ò ³ Ü Ø Ø Ø Ì ÓÒÚ ÒØ ÓÒ Ð Ú º Ø Ñ Ô ÓÔغµ È Ö ÓÒ Ò ËÔ ÖÑ Ò ÓÖÖ Ð Ø ÓÒ Ù Ò

edges added to S contracted edges

ÓÖ Ö ÛÓÖ Ò Ô Ö Ó ØÝ Ò Ø ÛÓÖ ÓÖ Ö Ø ÔÖÓÔ Ö ÔÖ Ü ÕÙ Ð ØÓ Ù Üº ÓÖ Ü ÑÔÐ ÓÖ Ö º Á ÛÓÖ ÒÓØ ÓÖ Ö Û Ý Ø ÙÒ ÓÖ Ö ÓÖ ÓÖ Ö¹ Ö º ÓÖ Ü ÑÔÐ ½¼ Ò = ½¼¼ ¼ Ö ÙÒ ÓÖ Ö

Ë Ò ÓÖ Æ ØÛÓÖ Å ÈÖÓØÓÓÐ ÂÙ Î Ð ÓÒ Ò Ä ÓÖ ØÓÖÝ ÓÖ Ì ÓÖ Ø Ð ÓÑÔÙØ Ö Ë Ò À Ð Ò ÍÒ Ú Ö ØÝ Ó Ì ÒÓÐÓ Ý ¾ º º¾¼¼ ÂÙ Î Ð ÓÒ Ò Ë Ò ÓÖ Æ ØÛÓÖ Å ÈÖÓØÓÓÐ

Ø Ñ Ò Ò ÙØÙÑÒ ¾¼¼¾ Ò Ò Ö ÕÙ ÒØ ÐÓ µ Ø Û Ø ØÖ ØÖÙØÙÖ ½ ȹØÖ È¹ ÖÓÛØ ÄÇË Ì È¹ØÖ Ø ØÖÙØÙÖ È¹ ÖÓÛØ Ð ÓÖ Ø Ñ ÓÖ Ò Ò ÐÐ Ö ÕÙ ÒØ Ø ÄÇË Ì Ð ÓÖ Ø Ñ ÓÖ Ò Ò Ö ÕÙ

ÁÒØÖÓ ÙØ ÓÒ Ö ÔØ Ú ËØ Ø Ø ÁÒ Ö ÒØ Ð ËØ Ø Ø ÀÝÔÓØ Ø Ø Ò ¹ Ô Ú ÐÙ Ø ÖÑ Ò Ø ÓÒ Ó ÑÔÐ Þ ËÙÑÑ ÖÝ Ä ÖÒ Ò Ó¹ Ø ÖÑ Æ ÙÝ Ò Ì ÌÙ Î Ò ½ Æ ÙÝ Ò ÉÙ Ò Î Ò ¾ ½ ÍÒ Ú

Question A n um b er divided b y giv es the remainder. What is the remainder 5 if this n um b er is divided b y? answer 3

ÇÙØÐ Ò ÁÒØÖÓ ÙØ ÓÒ º º ÓÙ ÖÝ ¾ ÁÒ ØÖÙØÓÖ³ ÒÓØ Å Ò Ñ Ü Ð ÓÖ Ø Ñ ÐÔ Ø ÔÖÙÒ Ò

ËØÖÙØÙÖ ½ Î Ö ÐÙ Ø Ö ¹ Ò ÒØÖÓ ÙØ ÓÒ ¾ Ì Ø Ì ÈÙÞÞÐ Ì Á ÓÒÐÙ ÓÒ ÈÖÓ Ð Ñ Å Ö ¹ÄÙ ÈÓÔÔ ÍÒ Ä ÔÞ µ È Ö Ø È ÖØ ÔÐ ¾¼º¼ º½ ¾» ¾

Ð Ò ØÓ ØØ Ö Ò ÔÔÖÓÜ Ñ Ð ØÝ Ö ÙÐغ Ì ÓÙÖ Ô Ö Ñ ØÓÛ Ö Ø Ø Ö Ò ÔÔÖÓÜ Ñ Ð ØÝ Ö ÙÐØ Ò Ô Ö Ý Ø Ô Ô Ö Ó È Ô Ñ ØÖ ÓÙ Ò Î ÑÔ Ð ÓÒ ÌÖ Ú Ð Ò Ë Ð Ñ Ò ÔÖÓ Ð Ñ µ Ø

É ÀÓÛ Ó Ý Ò ² Ö Ò ÁÒ Ö Ò «Ö ÓØ ÑÔ Ù ÔÖÓ Ð ØÝ ØÓ Ö ÙÒ ÖØ ÒØÝ ÙØ Ø Ý ÓÒ Ø ÓÒ ÓÒ «Ö ÒØ Ø Ò º Ü ÑÔÐ ÁÑ Ò Ð Ò Ð ØÖ Ð Û Ø Ò ½ Ñ Ø Ô Ö Ó Ù Ø º ÁÒ Ô Ö ÓÒ Ù Ø


ÇÙØÐ Ò ½ Ï Ø ØÓ ØÙ Ý ÓÙØ ÐØ ² ÙÖ ¾ ÓÐÓ Ð ÅÓ Ð ÐÓÓ Ø Ø ÓÖ Ø À Ö Ö Ð ÅÓ Ð Ò Ú Ù Ð Æ ÖÓÙÔ ÐÓÛ Ò ÐÝ ØÓÓÐ ØÓ ØÙ Ý ÑÓÚ Ñ ÒØ Ù ÓÒ Å Ö Ð Ë ÖÚ Ð Ó À ÐØ ² ÍÖ ÈÁ

½ Ê Ú Û Ó ÆÒ ÕÙÓØ ÒØ ¾ ÇÖØ Ó ÓÒ Ð ÒÚ Ö ÒØ ÓÙ Ð Ö Ø ÓÒ Ý ÕÙÓØ ÒØ Ñ Ô ÇÖ Ø ÓÖÖ ÔÓÒ Ò Ü ÑÔÐ Ó ÓÖ Ø ÓÖÖ ÔÓÒ Ò Ü ÑÔÐ Ø Ò ÓÖ ÔÖÓ ÙØ Ü ÑÔÐ ÓÒØÖ Ø ÓÒ Ñ Ô ÇÔ Ò


ÐÓ Û µ ÅÄ Ó Ò ººº Ð Ò Ö Ó Ü = (,..., Ü Ò ) ººº ÒØ Ó ÛÓÖ Ý = (Ý ½,..., Ý Ò ) ººº Ö Ú ÛÓÖ ¹ ÓÒ Ø ÒØ ÐÓ Û µ Å Ü ÑÙÑ Ä Ð ÓÓ Åĵ Ó Ö Ø Ø ÔÓ Ð Ó Ö Ñ Ò Ñ Þ Ø

R E S E A R C H R E P O R T I D I A P

function GENERAL-SEARCH( problem, strategy) returns a solution, or failure initialize the search tree using the initial state of problem loop do if

ÇÙØÐ Ò ½ À ÙÒØ ÓÒ ¾ Ì ËÀ ¹ ÓÑÔ Ø Ø ÓÒ ÖÝÔØ Ò ÐÝ Ó À ÙÒØ ÓÒ ¾» ¾

ÇÙØÐ Ò ÖÓÙÒ Ü ÑÔÐ ÔÖÓ Ö Ñ ÒÓ Ñ Ø Ó Ü ÑÔÐ ÒÓ Ì ÓÖÝ ÓÒÐÙ ÓÒ ¾

Ì Ø Ð ÓÒ Ò Ò ÐÓ Ù Ó Ó Ñ³ Ø ÓÖ Ñ ÓÖ Ö Ø Ð ÑÞ Û ¹ ÐÐ ¾¼½½ ÇÒ Ø Ø Ó Ö Ð ÒÙÑ Ö Ö Ó Ò Þ Ý Ò Ø ÙØÓÑ Ø Ò ÑÙÐØ ÔÐ Ó ÐÓع ÖÙ Ø Ò¹ ÖÙÝ Ö ¾¼½¼ Ö Ø¹ÓÖ Ö ÐÓ Ò ÆÙÑ

A B. Ø ÓÒ Left Right Suck NoOp

Ì ÓÑÔÐ Ü ØÝ Ó Á ÓÑÓÖÔ Ñ ÁÒ ÐÐ Ú ÓÑÓÖÔ Ñ Σ ½ ½ ÑÓÖ ÔÖ ÐÝ A B Ö ÓÑÓÖÔ : ( ØÖÙØÙÖ ¹ÔÖ ÖÚ Ò Ø ÓÒ) ÓÙÒØ Ð ØÖÙØÙÖ Ò Ó Ý Ö Ð Ø Ò ÓÑÓÖÔ Ñ ÓÑ Σ ½ ½ Ö Ð Ø ÓÒ ÓÒ

½º¾ Ò Ø ÓÒ Ì Ò Ó Ø ÓÚ ÕÙ Ø ÓÒ Ò ÓÖÑ Ð Þ Ý Ø ÓÐÐÓÛ Ò Ò Ø ÓÒº Ò Ø ÓÒ ½ È Ù Ó Ê Ò ÓÑ ÙÒØ ÓÒ Ñ Ðݵ Ñ ÐÝ ¾ ¼ ½ ¾Æ ÐÐ Ñ ÐÝ Ó Ð µ Ä µµ È Ù Ó Ê Ò ÓÑ ÙÒØ ÓÒ ¾

ÝÓÒ ÀÝÔ ÖØÖ Ï Ø ÓÑÔÓ Ø ÓÒ Å Ø Ó Ï Ø ÓÙØ ÓÑÔÓ Ø ÓÒ ÀÙ Ò Ò Î ØÓÖ ÐÑ Ù Ô ÖØ Ñ ÒØ Ì ÒÓÐÓ ÍÒ Ú Ö Ø Ø ÈÓÑÔ Ù Ö Ö ÐÓÒ ËÔ Ò Ù º Ò Ú ØÓÖº ÐÑ Ù ÙÔ º Ù ØÖ Øº Ì Ò

Ì ÓÑÔÙØ Ð Ñ Ò ÓÒ Ó ÌÖ Ó ÁÒ Ò Ø À Ø ÊÙ ÐÐ Å ÐÐ Ö ÂÙÐÝ ¾ ¾¼¼ Ì Ö Ø ÓÙÖ Ø ÓÒ Ó Ø ÖØ Ð ÔÔ Ö ÔØ Ö Ó È º º Ø Ø Ø ÍÒ Ú Ö ØÝ Ó Ó ÙÒ Ö Ø ÙÔ ÖÚ ÓÒ Ó ÊÓ ÖØ Áº ËÓ

ÁÒ ÙØ Ú ¹ ÙØ Ú ËÝ Ø Ñ Ñ Ø Ñ Ø Ð ÐÓ Ò Ø Ø Ø Ð Ð ÖÒ Ò Ô Ö Ô Ø Ú Æ ÓÐ ÓØ Å Ð Ë Ø ÇÐ Ú Ö Ì ÝØ Ù ÍÒ Ú Ö Ø È Ö ¹ËÙ ÆÊË ÁÆÊÁ ÈÖÓ ¾¼¼

Ö Ò ÁÅ ÔØ Ö Ê ÕÙ Ö ÔØ Ö ½¼ ½ Ò ½ º ÄÏÀ ØÓ ÖØ Ð ÁÒØ ÐÐ Ò ÁÒØÖÓ ÙØ ÓÒ ¹ ËÔÖ Ò ¾¼½ Ë º ÓÙ ÖÝ Ë Ù¹Û ¹Ö µ ÖØ ¼¾µ ¾¹ º º ÓÙ ÖÝ ½ ÁÒ ØÖÙØÓÖ³ ÒÓØ ÖÙ ÖÝ ½ ¾¼½

½½ º º À Æ Æ º º Í Æ ÒÓØ ÔÓ Ø Ú Ñ ¹ Ò Ø ÙÒÐ Ø ÓÐÐÓÛ Ò ØÖÙ Ø Ö ÓÒ Ù ÔÖÓ Ð Ñ È ½ Û Ø Ò Ð ÐÐ ÓÒ ØÖ ÒØ Û Ó ÓÖÑ Ù Ø ØÓ Ñ Ò ¾Ê Ò µ ½ ¾ Ì Ì Ø Ì Ù ÔÖÓ Ð Ñ Ø Ð

ELA. Electronic Journal of Linear Algebra ISSN A publication of the International Linear Algebra Society Volume 13, pp , July 2005

ÙÖ ¾ Ë Ð Ø ÔÔÐ Ø ÓÒ ¾ ¾

ÖÖ Ý ÒÑ ÒØ Ø Ø Ñ ÒØ Ö Ö ÓÖ ÒÝ Ð Ø¹ Ò Ð Ñ ÒØ Ö ØÓÖ º ÖÖ Ý ÓÖ Ù Ø ÓÒ Ó ÖÖ Ý Ò Ô Ý Ù Ò ØÖ ÔÐ Ø Ù Ö ÔØ º ØÖ ÔÐ Ø Ô Ö Ò Ò Ø ÓÖÑ ÐÓÛ Ö ÓÙÒ ÙÔÔ Ö ÓÙÒ ØÖ º Á

ÓÙÖ ÓÒØ ÒØ Ï Ý Ó Û Ù Ø ÙÒØ ÓÒ Ð ØÝ ÔÖÓÚ Ý Ø Å Ò Ñ ÒØ ËÝ Ø Ñ Ø ÅÓ Ð Ê Ð Ø ÓÒ Ð Æ ØÛÓÖ ÇÇ ÀÓÛ Ó Û Ù ÅË Ê Ð Ø ÓÒ Ð ÑÓ Ð ÓÙÒ Ø ÓÒ Ð ÕÙ ÖÝ Ð Ò Ù ËÉÄ ÔÔÐ Ø

ÅÓØ Ú Ø ÓÒ Å ÕÙ Ð ØÝ Ó Ø Ó ØÖ Ò Ô Ö ÒØ ÁÒ Ø ÓÒ Ú ÐÓÔÑ ÒØ ØÖ Ò ÖÖ Û ÓÖ Ò Ð ÙØ ÓÖ Ö Ñ Ò ÐÓÒ Ú ÐÓÔÑ ÒØ ØÓÖÝ Å ÒÝ Ù ØÓÑ Ö»Ù ØÓÑ Ö Ù ÓÑÔÓÒ ÒØ Ó Ñ ÒÝ ÔÖÓ Ø

ÁÒØÖÓ ÙØ ÓÒ Î Ø Ð Ø Ö ØÙÖ ÓÒ ÑÔ Ø Ó Ù ØÑ ÒØ Ò Ø Ð Ø ÓÒ ÔÓÐ ÓÒ ÔÓÚ ÖØÝ ÙØ Ù Ø Û ÓÒ Ø ÑÔ Ø Ó Ô Ñ ÖÓ ÓÒÓÑ ÔÓÐ º ØØ Ö ÒÓÛÐ ÓÙØ ÔÖÓ¹ÔÓÓÖ Ñ ÖÓ ÔÓÐ Ò Ø Ñ ÒØ

Degradation

Ì Ö Ö Ü ÑÔÐ Ó ÒØ Ô Ø ÓÒ Ð Ò Ù Ø Ø ÔÖÓÚ ÓÓ ÙÔ¹ ÔÓÖØ ÓÖ Ô Ý Ò ÒØ Ý Ø Ñ ÒÐÙ Ò Ø ÒØ Ö Ø ÓÒ ØÛ Ò ÒØ º ÒØ ¾ Ò ÒعÓÖ ÒØ ÜØ Ò ÓÒ ØÓ Ç Ø¹ Û ÒÐÙ ÓÒ ÔØ Ù ÖÓÐ ÒØ

ÇÙØÐ Ò È Ý Ð ÓÒ Ø ÓÒ Ò ÓÙ Æ ÙÐ ÄÓÛ¹ Ò ØÝ Ð Ñ Ø À ¹ Ò ØÝ Ð Ñ Ø Ü ÑÔÐ ÜØ ÒØ ÓÒ ØÓÛ Ö ÐÑ Ö Ö Ñ ÒØ Ò

Fibonacci Overview. 1 Motivation. 2 Preliminary Ideas. 2.1 Common Definitions. 2.2 Fibonacci Numbers Defined

Ó Ú ÐÙ Ö ÒÚÓÐÚ Ò ÖØ Ò Ô ÖØ Ó Ø ÔÖÓ Ö Ñµ Ò ØÓ ÐÔ Ø Ø ÔÖÓ Ö ÑÑ Ö Ñ Ø º ÁÒ Ø Ø ÐÐÝ ØÝÔ Ð Ò Ù Ø ØÝÔ Ö ÒÓØ Ò ÓÑ Ø Ò Ø Ø Ø Ô ÖØ Ò ÓÑÔÙØ Ø ÓÒ ÙØ Ö Ø Ö ÓÑ Ø Ò

È Ö Ø ² ÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÓÖ Ñ È Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ Ý Ö ÒÓÛ ÓÙØ Ø ÔÖ Ú ÓÙ ÑÓÚ Ó ÓÔÔÓÒ ÒØ º º º Ð ¹ËØ Û ÖØ Ñ º ÁÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ Ý Ö Ó ÒÓØ ÒÓÛ ÓÙØ Û

1 The Multinomial logit

ÇÙØÐ Ò Ó Ø Ø Ð ÅÓØ Ú Ø ÓÒ = ¾ ÙÔ Ö ÝÑÑ ØÖ Ò ¹Å ÐÐ ÕÙ ÒØÙÑ Ñ Ò ÆÙÑ Ö Ð Ð ÓÖ Ø Ñ Ò ÒÙÑ Ö Ð Ö ÙÐØ Ü Ø ÓÐÙØ ÓÒ ÙÖØ Ö Ô Ö Ô Ø Ú

ËÓÙÖ Ö Ø Ò Ö³ Ó Ø ÓÒ Ò ÐÓÓÑ Ö

R p [%] [%], R p Photon energy [ev]


ÁÒØÖÓ ÙØ ÓÒ ÇÖ Ò Ø ÓÒ Ð Ù ÌÓÔ ÇÚ ÖÚ Û Ä ØÙÖ Ü Ö ÓÑÔÙØ Ö ÓÓ Ü Ñ Ï Ý Ñ Ø Ñ Ø ÅÓ Ð Ò Ø Ë Ø ÌÛÓ Ü ÑÔÐ

0.12. localization 0.9 L=11 L=12 L= inverse participation ratio Energy

arxiv:astro-ph/ v1 11 Feb 2003

ÇÙØÐ Ò

ÇÚ ÖÚ Û ½ ÁÒØÖÓ ÙØ ÓÒ ¾ Ý ¾¼½¾ Ò Ö Ð Þ Ö ÐØÝ ÅÓ Ð ÓÖ ÓÑ Ø Ý ¾

x(t + t) = exp( tl)x(t), µ t k exp( tl) = x i i=1 k=0

ÓÙÖ ËØ ÁÒ ØÖÙØÓÖ ÓÒØ Ø ËÐ Ñ Ø ÙÐÐ Ö ÐÓÙ Ð Ø ÓÒ ÓÙÖ Û Ø ÇÒ ÍÏ¹Ä ÖÒ Ò ÓÒ ÓÙÖ Û Ø Î ÖÝ Ø Ö ÓÑ ØÓ Ð Ø ÒÓØ Ë ÁÒØÖÓ ØÓ Å Ñص ÇÚ ÖÚ Û Ó Ë ÄÄ ¾¼½ ¾» ¾

deactivate keys for withdrawal

Ö Ô ÓÒ Ø Ó ØÛÓ Ø Î Ò ÒÓØ Ý Î µº Ë Ø Î Ò Ø ÒÓÒ¹ ÑÔØÝ Ø Ó Ú ÖØ ÓÖ ÒÓ µ Ò Ø Ó Ô Ö Ó Ú ÖØ ÐÐ º Ï Ù Î µ Ò µ ØÓ Ö ÔÖ ÒØ Ø Ø Ó Ú ÖØ Ò Ò Ö Ô Ö Ô Ø Ú Ðݺ ÅÓÖ Ò

ÝØ Ð Ö Ø ÓÒ Ó ÝÒ Ñ ØÖ ÑÙÐ Ø ÓÒ Ó Ø Ú Ñ Ò Ð Ö Ø ÓÒ ÖÓÑ ØÖ ÓÙÒØ Ð Ð Ô Ö Ô Ø Ú Ø Ñ Ø ÓÒ Ó Ô Ø ÓÛ Ø ÛÓÖ Ø Ñ Ø ÓÒ Ó Ñ ÖÓ¹ ÑÙÐ Ø Ú ÓÖ ¾» ¾¾

ÁÒØÖÓ ÙØ ÓÒ ËØ Ø Ø Ð Ò ÐÝ ÓÖ Ö Ø Ø Ô ÖØ Ù¹ Ð ÖÐÝ ÓÖ ÔÖÓ Ð ØÝ ÑÓ Ð Ù Ø ÒÓ¹ Ñ Ð ÈÓ ÓÒ Ò ÑÙÐØ ÒÓÑ Ð Ý ÒÓÛ Ú ÖÝ Û ÐÐ ÙÒ Ö ØÓÓ Û Ø Û ÐØ Ó Ù Ø Ð Ó Ø¹ Û Ö º

Communications Network Design: lecture 16 p.1/41

Î Ö Ð X C = {x 1, x 2,...,x 6 }

ÄÇÊÁÇÍË Ä Ê Ê ÀÇÄ Æ ÏÁÄÄ ÇÍÊ ÒØ Ì Ö Ö Ñ ÒÝ «Ö ÒØ Ò Ø ÓÒ ÓÖ Ø Ø ÖÑ ÒØ Û Ø Ò Áº ÐÐÓÛ Ñ ØÓ ÒØÖÓ Ù ÎÁÄ ÊÇ Ç̺ ÅÍËÌ ÆËÄ Î ÊÌÀ Ë Ò ÆÎÁÊÇÆÅ ÆÌ Ø Û ÐÐ Ù Ø ÓÐÐ

Ú Ð Ð ÓÒÐ Ò Ø ØØÔ»» Ѻ Ö Ùº º Ö ÁÒغ º ÁÒ Ù ØÖ Ð Å Ø Ñ Ø ÎÓк ÆÓº ¾¼½½µ ½ ½¹½ ½ Ê Ò Ò ÍÒ Ø Ò Ý Í Ò Ø ÎÓØ Ò ËÝ Ø Ñ Åº à ÒÑÓ ÑÑ Êº ÐÐ Ò µ Ô ÖØÑ ÒØ Ó Å

Chapter 9. Trapezoidal Maps. 9.1 The Trapezoidal Map

x = x 1x 2 x (p-1)x x = 3 x = 3 x = 3 x = 3 0 x 1 x 2 x... (p-1)x

¾ ÓÖÔÙ Ôк ÓÖÔÓÖ µ ÓÖÔÙ ÓÐÐ Ø ÓÒ Ó Ø ÜØ µ ÓÖ ÙØØ Ö Ò ½¼ Ø ÒÝ ½¼ Ö ÓÒ Ð ½¼ ½¾ ÙÖÖ ÒØ Ð Ð Ñ Ø ÓÖ ÙÒ ÒÒÓØ Ø Ø Ì ÑÓ Ø Ú ÐÙ Ð ÓÖÔÓÖ Ö Ø Ó Ø Ø ÓÙÖ Ò ØÙÖ ÐÐÝ

ÓÖ Ø ÁÒØ Ð ÔÖÓ ÓÖ Ñ Ðݺ Ê Ö Û ÒØ Ò Ò Ö Ð ÖÓÙÒ Ò Ñ Ð Ö ÔÖÓ Ö Ñ¹ Ñ Ò ÓÙÐ ÓÒ ÙÐØ ÔÔÖÓÔÖ Ø Ø ÜØ ÓÓ Ò ÓÒ ÙÒØ ÓÒ Û Ø Ø ÔÖÓ ÓÖ Ö Ö Ò Ñ Ò¹ Ù Ð ÔÙ Ð Ý ÁÒØ Ð Ò

ÇÙØÐ Ò Ó Ø Ð ÅÓØ Ú Ø ÓÒ ÔÓÐÝÒÓÑ Ð Ú ÓÒ ÒÓ Ò ÓÖ ÝÐ Ó ÙØÓÑÓÖÔ Ñ µ ÑÓ ÙÐ ÕÙ ¹ÝÐ µ ØÖÙ¹ ØÙÖ ÖĐÓ Ò Ö ÓÖ ÑÓ ÙÐ Ú ÐÙ Ø ÓÒ Ó ÖÓÑ ÓÖ Ö ÓÑ Ò Ò¹ ÐÙ Ò ÓÔÔ Ó µ Ü Ñ

Ø ÑÔÐÝ Ù Ø Ø Ø Ø ÔÖÓÓ ÒÓÖÑ Ð Þ Ò Ø ËØÖ Ø ÓÙÒ Ø ÓÒ Ø Ø ÓÖÝ ÔÖ ¹ÑÓ Ð Û Ð Ú Ö ÒØ Ó Ø ÔÖÓÔÓ Ø ÓÒ Ò ØÓ ÔÖÓÚ Ò Ø ÓÖ Ò Ð ÔÖÓÓ º ÁØ ÛÓÖØ ÒÓØ Ò Ø Ø Ø ÓÖ Ò Ð ÒÓ

ËÌ Ä Å Ä Å ÌÁÇÆ ÂÓ Ò Ìº Ð Û Ò Ô ÖØÑ ÒØ Ó Å Ø Ñ Ø ËØ Ø Ø Ò ÓÑÔÙØ Ö Ë Ò ÍÒ Ú Ö ØÝ Ó ÁÐÐ ÒÓ Ø Ó Â ÒÙ ÖÝ ¾¼¼¼ Ø ØÓ Ø Ñ ÑÓÖÝ Ó ºÁºÅ Ð Úº ÁÒ ½ ÖÞ ÓÖÞÝ Û Ø Ö

Ô ØÙ Ø Ò Ø ÔÐ Ò º Ì ÑÓ Ø ÑÔÓÖØ ÒØ Ø Ô Ò Ø ÔÖÓ ÙÖ Ø Ø ÖÑ Ò Ø ÓÒ Ó Ø ÙÒ ÒÓÛÒ ÓÑÔÓÒ ÒØ Ó Ø ÐÓÛÒ Ú ØÓÖ ØÓ Ø ÒÓÖÑ Ð Ò ØÓ Ø ÔÐ Ò º Ì ÔÖÓ Ð Ñ ÔÐ Ý Ò ÑÔÓÖØ ÒØ

ÁÒØÖÓ ÙØ ÓÒ Ì Ñ Ñ Ö Ó Ú Ò Ô ÓÖ Ù Ô µ Ú Ø Ñ Ò Ö Ð ØÙÖ ÓÒ Ø Ö Ó Ø Ô ØØ ÖÒº ÀÓÛ Ú Ö Ò Ú Ù Ð Ò Ñ Ð Ø ÓÛÒ Ø ÒØ Ñ Ö Ò º Ì Ô ØØ ÖÒ Ö ÒÓØ Ø ÖÑ Ò Ò Ø ÐÐݺ Ì Ý

x 2 x 1 f 1 Objective space Decision space

ÁÒØÖÓ ÙØ ÓÒ Ö ÙÑÙÐ ÒØ Ò Ã ÖÓÚ³ ÔÓÐÝÒÓÑ Ð Ä Ø Ù ÒÓØ Ý Ë Ò Ø ÝÑÑ ØÖ ÖÓÙÔ Ó ÓÖ Ö Òº ÁÖÖ Ù Ð Ö ÔÖ ÒØ Ø ÓÒ Ô ÖØ Ø ÓÒ λ Òº ÆÓÖÑ Ð Þ Ö Ø Ö Ú ÐÙ χ λ (µ) ÓÖ µ

Ë ÁÌÇ ÌÓ Ó ÍÒ Ú Ö Øݵ Ç ¼ Ô Û Ö ÙÒÓ Ø Ò Ð Ä Ò ÙÖ ÖÝ ÓÒ ÒÓØ Ý ÛÓÖ Û Ø Ã ÞÙ ÖÓ Á Ö Ó ÒØ Ë Ò ÝÓ ÍÒ Ú Ö Øݵ Ç

Regression. Linear least squares. Support vector regression. increasing the dimensionality fitting polynomials to data over fitting regularization

P(x) testing training. x Hi

ÓÒØ ÒØ ¾

ÇÙØÐ Ò ÁÒØÖÓ ÙØ ÓÒ Ï Ø Ñ Ø Ñ Ø ËÓÑ Ø ÒÓ Ö Ô Ú Ò ÒÓØ Ö ÓÖ ÓØØ Ò ØÖ Ó ÙÑ Ò ØÝ Ð Ö Ò ØÙ Ý Ñ ÖÓÖ Ä Ø Ò Ö Ø Ø Ø ÑÓÒ ÖÓÑ ÓÖÑ Ö Ð Ö Ò Ï Ø Ñ Ø Ñ Ø Ê ÄÄ Á Ô ÓÔ

ÓÖØÖ Ò ÓÖØÖ Ò = ÜØ Ò ÓÒ ØÓ Ø ÆËÁ ÇÊÌÊ Æ Ø Ò Ö º Ê ÔÓÒ Ð ØÝ Ñ Ö Ò Æ Ø ÓÒ Ð ËØ Ò Ö ÁÒ Ø ØÙØ ÆËÁ  µ ÁÒØ ÖÒ Ø ÓÒ Ð ÇÖ Ò Þ Ø ÓÒ ÓÖ ËØ Ò Ö Þ Ø ÓÒ ÁËÇ»Á ÂÌ

(p 0 ) p i = q f(p 0 ) p i

ß ¾ ß ËÌÊ Ì ÌÓ Ò Ò Ø ØÓ Ø Ù Ó Ð Ñ ÒØ ÖÙÔØ ÓÒ Ò Ö ÓÒ Ø ÙÒ Û Ó ÖÚ Ð Ñ ÒØ Ø Ø ÖÙÔØ Ò Ø Ú Ö ÓÒ ÆÇ º Ì Ó ÖÚ Ø ÓÒ ÓÒ Ø Ó À«ÐØ Ö Ö Ñ Ø Ø Ö Û Ú Ð Ò Ø Ð Ò ÒØ Ö

ß ¾ ß ½º ÁÒØÖÓ ÙØ ÓÒ Ö Ñ ÒØ Ø ÓÒ ÙÖ Ò ÔÖÓØÓ Ø ÐÐ Ö ÓÐÐ Ô Û ÐÝ ÔØ ØÓ Ø ÔÖ Ñ ÖÝ Ñ ¹ Ò Ñ ÓÖ Ø ÓÖÑ Ø ÓÒ Ó Ò ÖÝ Ò ÑÙÐØ ÔÐ Ø Ö Ý Ø Ñ º º Ä Ö Ò Ö Ø Ðº ¾¼¼ Ò

M 1 M 2 M 3 M 1 M 1 M 1 M 2 M 3 M 3

dis.08 dis.09 dis.10 dis.11

ÅÓ Ø Ü Ø Ò ÖÓ ¹ÓÚ Ö Ö ÓÙÖ ÔÖÓÚ ÓÒÐÝ ÐÐÓÛ Ö ÔÖ ÒØ Ø ÓÒ Ñ ÒØ ÇÚ ÖÚ Û ÛÓÖÐ ÔÔÐ Ø ÓÒ Ò Ö ÓÙÖ Û Ø Ö ÝÒØ Ø Ò ¹ Ê Ð Ö ÔÖ ÒØ Ø ÓÒ º Ñ ÒØ ÅÙ Ö Ö Ö ÔÖ ÒØ Ø ÓÒ Ö

ÙÖ Ë½ Ø Ò ØÖ ÙØ ÓÒ Ò Ø ÓÒØ Ø ÓÖ Ø Ò Ø Ö Ù º ¾

Ø ÔÖ ÙÖ ØÝ Ö ÕÙ Ö Ñ ÒØ Ó ÙØ ÒØ Ø Ý Ø Ð Ñ Òغ Ë Ú Ö Ð ÓÒÖ Ø ÙÖ ØÝ Ò Ô Ö ÓÖÑ Ò ØØÖ ÙØ Ú Ò ÒØ Ö Ð º Ì ÙÒ Ñ ÒØ Ð ÙÖ ØÝ Ó Ð Ó Ý Ø Ð Ñ ÒØ ÔÖÓØÓÓÐ Ö ØÓ ÑÔÐ Ø

Å Ø Ó ØÓ Ú ÐÙ Ø ÝÒÑ Ò ÒØ Ö Ð Ò ÐÝØ Ð ÒÙÑ Ö Ð Ñ Ò ÐÝØ Ð

ËÙÑÑ ÖÝ Ì Ó Ì Ó Ö Ä Ì ½ Ø ÏÊÅÁËË ÃÖ ÓÛ ÈÓÐ ¾¼¼ ¾» ½

ÜÔÓÒ ÒØ Ð Ò Ø ÔÖÓ Ð Ñ Þ Ø Ò ÐÓ Ò Ù Ø Ð Ò Ö ÓÖ Ò ØÓ ÃÓÖ º Ì ÒØ Ð Ö ÓÒ Û Ý ØÖ Ø ÓÒ Ö Ù ÓÑÔÐ Ü ØÝ Ø Ø Ø ØÓØ Ð ÓÑÔÐ Ü ØÝ Ø ÙÑ Ó Ø ÓÑÔÐ Ü Ø Ó Ø ÑÙÐØ ÔÐ Ö Ò

ÇÙØÐ Ò ÇÙØÐ Ò ÈÙÖÔÓ Ó Ø ÈÖÓ Ø È ÖØ Ð ÌÖ Ò ÔÓÖØ È ÖØ Ð ÁÒØ Ö Ø ÓÒ È ÖØ Ð ÔÓ Ø ÓÒ Ê ÙÐØ ËÙÑÑ ÖÝ ¾ Ôк¹Å Ø º Ò Ö ØÞ Ë Ð ¹ Ò Ì Ö È ÖØÝ ËÓ Ð Ò Ó ÅÓØÓÖ Î Ð

Ê Ö Ò Ù Ä ÒÙÜ ÓÖ ØÖÓÒÓÑ Ö º º º ½º¾º Ï Ø Ä ÒÙÜ Ä ÒÙÜ ÍÆÁ ¹Ð ÖÒ Ð Ö Ø Ý Ä ÒÙ ÌÓÖÚ Ð º Ä ÒÙÜ ÖÒ Ð Ó Ø Ò ÓÒ Ù Û Ø Ø ÆÍ»Ä ÒÙÜ ÓÔ Ö Ø Ò Ý Ø Ñº Ä ÒÙÜ Ø ÖÒ Ð


Ì ÄÈ Ë ÈÖÓ Ð Ñ Ì ÄÈ Ë ÐÓÒ Ø Ô Ö Ñ Ø Ö Þ ÓÑÑÓÒ Ù ÕÙ Ò µ ÔÖÓ Ð Ñ Ò Ö Ð Þ Ø ÓÒ Ó Û ÐÐ ÒÓÛÒ Ä Ë ÔÖÓ Ð Ñ ÓÒØ Ò Ò Ô¹ÓÒ ØÖ ÒØ º Ò Ø ÓÒ ÁÒ ÄÈ Ë(,, Ã ½, Ã ¾, )

Transcription:

Ê Ú Û Ó Ä ØÙÖ ½ Ü ÑÔÐ È Ö ÔØÖÓÒ Ä ÖÒ Ò Ð ÓÖ Ø Ñ Ä ÖÒ Ò Ù Û Ò ¹ Ô ØØ ÖÒ Ü Ø + + ¹ Ï ÒÒÓØ Ô Ò Ø ÓÛÒ Ñ Ø Ñ Ø ÐÐÝ ¹ Ï Ú Ø ÓÒ Ø ÓÙ ÓÒ ÙÔ ÖÚ Ð ÖÒ Ò + + + ¹ ÍÒ ÒÓÛÒ Ø Ö Ø ÙÒØ ÓÒ y = f(x) ¹ Ø Ø (x 1,y 1 ),, (x N,y N ) ¹ Ä ÖÒ Ò Ð ÓÖ Ø Ñ Ô g f ÖÓÑ ÝÔÓØ Ø H Ä ÖÒ Ò Ò ÙÒ ÒÓÛÒ ÙÒØ ÓÒ ¹ ÁÑÔÓ Ð º Ì ÙÒØ ÓÒ Ò ÙÑ ÒÝ Ú ÐÙ ÓÙØ Ø Ø Û Ú º ¹ ËÓ Û Ø ÒÓÛ

Ä ÖÒ Ò ÖÓÑ Ø Ö Ëº Ù¹ÅÓ Ø Ð ÓÖÒ ÁÒ Ø ØÙØ Ó Ì ÒÓÐÓ Ý Ä ØÙÖ ¾ Á Ä ÖÒ Ò Ð ËÔÓÒ ÓÖ Ý ÐØ ³ ÈÖÓÚÓ Ø Ç ² Ë Ú ÓÒ Ò ÁËÌ Ì ÙÖ Ý ÔÖ Ð ¾¼½¾

Ð ØÝ Ó Ð ÖÒ Ò ¹ ÇÙØÐ Ò ÈÖÓ Ð ØÝ ØÓ Ø Ö Ù ÓÒÒ Ø ÓÒ ØÓ Ð ÖÒ Ò ÓÒÒ Ø ÓÒ ØÓ Ö Ð Ð ÖÒ Ò Ð ÑÑ Ò ÓÐÙØ ÓÒ ¾»½

Ö Ð Ø ÜÔ Ö Ñ ÒØ top ¹ ÓÒ Ö Ò³ Û Ø Ö Ò Ö Ò Ñ Ö Ð º B I N P[ Ô Ò Ö Ñ Ö Ð ] = µ P[ Ô Ò Ö Ò Ñ Ö Ð ] = 1 µ ¹ Ì Ú ÐÙ Ó µ ÙÒ ÒÓÛÒ ØÓ Ù º S A M P L E ν = fraction of red marbles ¹ Ï Ô N Ñ Ö Ð Ò Ô Ò ÒØÐݺ ¹ Ì Ö Ø ÓÒ Ó Ö Ñ Ö Ð Ò ÑÔÐ = ν µ = probability of red marbles bottom»½

Ó ν Ý ÒÝØ Ò ÓÙØ µ ÆÓ Ë ÑÔÐ Ò ÑÓ ØÐÝ Ö Ò Û Ð Ò ÑÓ ØÐÝ Ö º top B I N S A M P L E Ë ÑÔÐ Ö ÕÙ ÒÝ ν Ð ÐÝ ÐÓ ØÓ Ò Ö ÕÙ ÒÝ µº ÔÓ Ð Ú Ö Ù ÔÖÓ Ð µ = probability of red marbles ν = fraction of red marbles bottom»½

Ï Ø Ó ν Ý ÓÙØ µ ÁÒ ÑÔÐ Ð Ö N µ ν ÔÖÓ ÐÝ ÐÓ ØÓ µ Û Ø Ò ǫµº ÓÖÑ ÐÐÝ È[ ν µ > ǫ] 2e 2ǫ2 N Ì ÐÐ ÀÓ Ò ³ ÁÒ ÕÙ Ð Øݺ ÁÒ ÓØ Ö ÛÓÖ Ø Ø Ø Ñ ÒØ µ = ν Ⱥ º º»½

È[ ν µ > ǫ] 2e 2ǫ2 N top Î Ð ÓÖ ÐÐ N Ò ǫ B I N ÓÙÒ Ó ÒÓØ Ô Ò ÓÒ µ ÌÖ Ó N ǫ Ò Ø ÓÙÒ º S A M P L E ν = fraction of red marbles ν µ = µ ν µ = probability of red marbles bottom»½

ÓÒÒ Ø ÓÒ ØÓ Ð ÖÒ Ò Hi Ò Ì ÙÒ ÒÓÛÒ ÒÙÑ Ö µ Ä ÖÒ Ò Ì ÙÒ ÒÓÛÒ ÙÒØ ÓÒ f : X Y h( x)= f( x) h( x)= f( x) Ñ Ö Ð ÔÓ ÒØ x X ÀÝÔÓØ ÓØ Ø Ö Ø h(x)=f(x) ÀÝÔÓØ ÓØ Ø ÛÖÓÒ h(x) f(x) Hi»½

ØÓ Ø Ð ÖÒ Ò Ö Ñ Hi Ì Ò Ò ÐÓ Ý X UNKNOWN TARGET FUNCTION f: X Y TRAINING EXAMPLES ( x, y ),..., ( x, y ) N 1 1 N LEARNING ALGORITHM A x 1,..., x N PROBABILITY DISTRIBUTION P on FINAL HYPOTHESIS g ~ f ~ X Hi HYPOTHESIS SET H»½

Ö Û ÓÒ Hi ÆÓØ Ó Ø h Ü º ÓÖ Ø h ν Ò Ö Ð Þ ØÓ µº h( x)= f( x) h( x)= f( x) Ú Ö Ø ÓÒ³ Ó h ÒÓØ Ð ÖÒ Ò ÆÓ Ù Ö ÒØ ν Û ÐÐ Ñ Ðк Ï Ò ØÓ ÓÓ ÖÓÑ ÑÙÐØ ÔÐ h³ º Hi»½

ÅÙÐØ ÔÐ Ò Ò Ö Ð Þ Ò Ø Ò ÑÓ Ð ØÓ ÑÓÖ Ø Ò ÓÒ ÝÔÓØ top h h 1 2 M h µ 1 µ 2 µ M........ ν ν ν 1 2 M bottom ½¼»½

ÆÓØ Ø ÓÒ ÓÖ Ð ÖÒ Ò Hi ÓØ µ Ò ν Ô Ò ÓÒ Û ÝÔÓØ h E out (h) ν Ò ÑÔÐ ³ ÒÓØ Ý E Ò (h) µ ÓÙØ Ó ÑÔÐ ³ ÒÓØ Ý E ÓÙØ (h) Ì ÀÓ Ò Ò ÕÙ Ð ØÝ ÓÑ P [ E Ò (h) E ÓÙØ (h) > ǫ ] 2e 2ǫ2 N E in(h) Hi ½½»½

ÆÓØ Ø ÓÒ Û Ø ÑÙÐØ ÔÐ Ò top h 1 h 2 h M E out ( h ) E 1 out ( h 2 ) E out ( h M )........ Ein h1 E h ( ) in( ) E 2 in h M ( ) bottom ½¾»½

Ö Û ÓÒ ÐÖ Ý ÆÓØ Ó Ø ÀÓ Ò Ó Ò³Ø ÔÔÐÝ ØÓ ÑÙÐØ ÔÐ Ò º Ï Ø top B I N UNKNOWN TARGET FUNCTION f: X Y PROBABILITY DISTRIBUTION P on X top h 1 h 2 h M S A M P L E TRAINING EXAMPLES ( x, y ),..., ( 1 1 x, N y ) N x 1,..., x N E out ( h ) E 1 out ( h 2 ) E out ( h M ) ν = fraction of red marbles LEARNING ALGORITHM A FINAL HYPOTHESIS g ~ f........ µ = probability of red marbles HYPOTHESIS SET H Ein h1 ( ) Ein( ) h E ( ) 2 in h M bottom bottom ½»½

Ó Ò Ò ÐÓ Ý ÉÙ Ø ÓÒ Á ÝÓÙ ØÓ Ö Ó Ò ½¼ Ø Ñ Û Ø Ø ÔÖÓ Ð ØÝ Ø Ø ÝÓÙ Û ÐÐ Ø ½¼ Ò Û Ö 0.1% ÉÙ Ø ÓÒ Á ÝÓÙ ØÓ ½¼¼¼ Ö Ó Ò ½¼ Ø Ñ Û Ø Ø ÔÖÓ Ð ØÝ Ø Ø ÓÑ Ó Ò Û ÐÐ Ø ½¼ Ò Û Ö 63% ½»½

ÖÓÑ Ó Ò ØÓ Ð ÖÒ Ò hi B I N G O? Hi ½»½

ÑÔÐ ÓÐÙØ ÓÒ P[ E Ò (g) E ÓÙØ (g) > ǫ ] P[ E Ò (h 1 ) E ÓÙØ (h 1 ) > ǫ or E Ò (h 2 ) E ÓÙØ (h 2 ) > ǫ or E Ò (h M ) E ÓÙØ (h M ) > ǫ ] M P [ E Ò (h m ) E ÓÙØ (h m ) > ǫ] m=1 ½»½

Ì Ò Ð Ú Ö Ø P[ E Ò (g) E ÓÙØ (g) > ǫ ] M m=1 M m=1 P [ E Ò (h m ) E ÓÙØ (h m ) > ǫ] 2e 2ǫ2 N P[ E Ò (g) E ÓÙØ (g) > ǫ] 2Me 2ǫ2 N ½»½