在上一篇文章中，我讨论了给定数据集的 DNF 最小化的复杂性。具体来说，给定一个输入/输出对的数据集，计算与 一致的最小 DNF 有多难？在这篇文章中，我们将研究这个问题的一个变体，其中要求数据集为 中的每个点指定一个标签。DNF 真值表最小化。DNF 真值表最小化是 DNF 最小化的变体，其中输入数据集是函数 的真值表。对数据集的额外约束只能使问题变得更容易，实际上，使用 Set-Cover 的贪婪近似，可以在多项式时间内将真值表最小化近似到 的一个因子以内。第一个下界由 Masek 于 1979 年证明，表明确切的变体是 NP 难的。他的结果从未发表过，尽管后来 Umans、Villa 和
给定一个由输入/输出对组成的数据集，如何找到与数据一致的小 DNF？这个问题称为 DNF 最小化，在计算机科学史上以各种形式出现。在这篇由两部分组成的博客文章中，我将调查一些关于这个问题的复杂性的结果以及与学习 DNF 的一些联系。历史和动机。几十年来，DNF 最小化一直是逻辑综合界的核心问题。在这个领域，这个问题被称为“两级逻辑综合”。它有着悠久的历史，可以追溯到 1952 年奎因写的一篇名为“简化真值函数的问题”的论文。奎因的论文在某种程度上是对香农硕士论文“继电器和开关电路的符号分析”的回应，该论文将布尔代数引入了电路设计的研究。奎因对以下问题感兴趣。给定一个布尔函数（作为真值表），找到
Demand & quantity demanded: What do they mean? The case of the oil market
参见国际能源署称，到本世纪末，世界将陷入石油过剩的泥潭：能源监管机构预测，随着需求增长放缓和供应激增，闲置的抽油能力将上升。摘录：“据这家总部位于巴黎的组织称，随着清洁能源技术的推广加速，石油需求增长将在 2029 年达到顶峰，并于次年开始收缩，到 2030 年达到 1.054 亿桶/天。与此同时，在美国和美洲生产商的推动下，石油产能将增加到每天近 1.138 亿桶。”让我们来看看“石油需求增长”。需求是价格和需求量之间的关系。想想向下倾斜的需求线。需求量是消费者愿意以给定价格购买的数量。如果我们从字面上理解这篇文章，这意味着每天消费者愿意比前一天多购买 1.054 亿桶。一周内，这个数字将超
Machine Learning Industry: Top Skills Needed to Enter in 2023
什么是机器学习？为什么它对技术专业人员很重要？机器学习 (ML) 是人工智能的一个子类别，其中编码和编程专注于创建算法。这些算法教机器人类如何从给定的数据集中学习，以及当给定更多数据时它们如何适应。技术专业人员需要 […] 文章机器学习行业：2023 年进入所需的顶级技能首先出现在 SimplivLearning 博客上。
Ученые из ЮФУ создали улучшенную систему управления для роботов-помощников
南方联邦大学（SFU）无线电工程系统与控制研究所教授、技术科学博士Anatoly Gaiduk与研究生Dmitry Lukin一起开发了一种合成自动机器人非线性控制系统的新方法。现在，与类似系统相比，该控制系统将更加有效 - 它将确保通用机器人以给定速度沿着复杂轨迹进行更稳定的运动。
The Fundamental Sraffian Theorem
1.0 简介我一直在读 Robin Hahnel 的书。Hahnel 比 Steedman 更有力地论证了劳动价值是多余的。他还论证了基本斯拉法定理的重要性。我认为这可能是 Hahnel 的创造。无论如何，这是我对他所说的一些观点的理解。Hahnel 有一些有趣的观点，这里没有讨论，关于在斯拉法框架中分析环境问题。我忽略了 Hahnel (2017) 中关于资本主义道德批判的章节。根据 Eatwell (2019) 和其他人的观点，我认为主流经济学家无论如何都没有价值和分配理论。2.0 背景假设在给定的时间点观察到资本主义经济。 n 种商品正在生产，每种商品都由不同的行业生产。假设所使用的技术
Wages, Employment Not Determined By Supply And Demand
1.0 简介我想我已经有一段时间没有提出过这样的介绍性示例了，在这个示例中，在给定净产出水平的情况下，工资上涨与企业想要雇用更多劳动力有关。此示例是作为垂直整合企业的会计问题提出的。在此示例中，使用有理数进行精确计算非常繁琐。我估计如果有人想检查这一点，他们会使用电子表格。据我所知，Microsoft Excel 使用双精度浮点数。2.0 技术一家生产玉米的竞争性垂直整合企业的经理知道表 1 中列出的四种生产过程。玉米是一种消费品，也是一种资本品，即用于生产其他商品的生产商品。事实上，铁、钢和玉米在这个例子中都是资本品。第一个过程生产铁，第二个过程生产钢，后两个过程生产玉米。每个过程都表现出规
Hayek In The Pure Theory Of Capital
这是我读过的一本普通书，基于对哈耶克《资本纯理论》的阅读。哈耶克拒绝了庞巴维克的平均生产周期，即一个数字，概括了生产结构的资本密集度。他仍然试图说，从某种非总体意义上讲，资本密集程度更高的技术生产周期更长。我可能不会读完这本书。将本书与 J. R. 希克斯的《价值与资本》进行比较和对比是很有趣的。哈耶克正确地反对将资本视为同质量，并用资本的供求来解释利息：“试图通过类比工资和租金，将利息解释为某些明确给定的生产‘要素’服务的价格，几乎总是导致一种倾向，即将资本视为一种同质物质，其‘数量’可视为一种‘数据’，一旦正确定义，为了经济分析的目的，就可以用资本构成的具体要素的更完整描述来替代它。” （
Prices Of Production Before Labor Values
1.0 简介这篇文章概述了对马克思劳动价值论 (LTV) 版本的非原创论点，如果这是正确的名字的话。不知何故，这篇文章间接地受到了 Fabio Petri 最近的工作论文的启发。假设技术、净产出和实际工资已知。然后确定利润率和生产价格。假设该技术提供了技术选择。那么确定技术选择需要在生产价格水平上进行分析。只有在确定使用的技术后才能进行劳动价值核算。给定每个过程的技术和操作水平，就可以确定每个行业产出所体现的劳动价值。然后，人们可以在整个劳动价值体系中使用这种劳动价值核算来计算假定的利润率。一般来说，这个利润率不等于生产价格体系中的利润率。在某种意义上，人们还可以使用所使用的技术来识别具有平均
Confidence Intervals for Recursive Journal Impact Factors
我与 Johannes König 和 Richard Tol 合作撰写了一篇新工作论文。这是我在《经济文献杂志》上发表的 2013 年论文的后续，在那篇论文中，我计算了所有经济学期刊的简单期刊影响因子的标准误差，并试图评估期刊之间的差异是否显著。* 在这篇新论文中，我们为递归期刊影响因子制定了标准误差和置信区间，这些因素考虑到某些引用比其他引用更有声望，以及期刊的相关排名。我们再次将这些方法应用于 Web of Science 中包含的所有经济学期刊。递归影响因子包括流行的 Scimago 期刊排名 (SJR) 和 Clarivate 的文章影响力分数。我们使用 Pinski 和 Narin
Dynamic language understanding: adaptation to new knowledge in parametric and semi-parametric models
为了研究半参数 QA 模型及其底层参数语言模型 (LM) 如何适应不断发展的知识，我们构建了一个新的大型数据集 StreamingQA，其中包含在给定日期提出的人工编写和生成的问题，这些问题将从 14 年的带时间戳的新闻文章中得到解答。我们每季度对我们的模型进行评估，因为它们会阅读预训练中未见过的新文章。我们表明，参数模型可以在不进行完全重新训练的情况下进行更新，同时避免灾难性的遗忘。
An empirical analysis of compute-optimal large language model training
我们问一个问题：“对于给定的计算预算，最佳模型大小和训练令牌数量是多少？”为了回答这个问题，我们训练了各种大小和各种标记数量的模型，并根据经验估计了这种权衡。我们的主要发现是，当前的大型语言模型对于其计算预算来说太大了，并且没有在足够的数据上进行训练。
Servosila公司生产的国产波动齿轮箱用于机器人、机床制造、仪器制造、定位系统和精密机械。波动齿轮箱在给定的减速比下提供最小的齿隙、高运动精度和最小的重量。与行星齿轮箱相比，重量可增加1.5-2倍。波动齿轮箱的特点是形状紧凑、尺寸小。
Is Precision Psychiatry Realistic?
图 1 (Fernandes 等人，2017)。与“精准精神病学”相关的域。“为合适的患者提供合适的药物”是个性化医疗运动早期（2000 年）的流行语，以新兴的药物基因组学领域为代表。不再有“一刀切”的处方——人类基因组计划将允许医生预测您对任何给定药物的反应。上次我去药店时，我拿了便宜的仿制药，没有进行基因组测试。“个性化医疗”一词在 2011 年已经过时。国家研究委员会 (PDF) 更喜欢新改进的“精准医疗”品牌，因为......人们担心“个性化”一词可能会被误解为暗示治疗和预防措施是针对每个人独特开发的；在精准医疗中，重点是根据遗传、环境和生活方式因素确定哪些方法对哪些患者有效。什么是精
很棒的东西，即将在 JBES（2022 年）上发表。时间序列方法对网络演化的研究：预测和估计 ANNA BYKHOVSKAYA 摘要。本文分析了非负多元时间序列，我们将其解释为加权网络。我们引入了一个模型，其中时间序列的每个坐标代表时间上的给定边。与网络的大小相比，时间段的数量被视为很大。该模型指定了加权网络的时间演化，该网络将经典自回归与非负性、消失的正概率以及过程中分配给边的权重之间的同伴效应相互作用相结合。主要结果为网络演化过程的平稳性与爆发性提供了标准，并提供了估计模型参数和预测其未来值的技术。https://abykhovskaya.files.wordpress.com/2021/
