An Introduction to Computational Complexity Via Games
Notice bibliographique
Résumé
In this talk I will discuss an approach to solving the famous P=NP question using games. For those unfamiliar with computational complexity, I will describe the complexity classes P and NP, as well as a few other complexity classes, including coNP, L and NL. I will then describe the million-dollar problem that asks whether P=NP and show how one can use a classic two-person combinatorial game, known as an Ehrenfeucht-Fraisse game (along with its relatives), to try to separate complexity classes. I will give some simple examples of how these games are played and then describe a newly rediscovered game that my colleagues and I at IBM are exploring that are potentially more powerful than these classical games. About the Speaker: Jon is a member of the research staff at the IBM T.J. Watson Research Center in New York. Jon has been with IBM for the last 25 years. Along with several colleagues, he developed the strategy component of the IBM Watson Jeopardy-playing system that in 2011 defeated the two most successful human Jeopardy players on live television. He has built two commercial robots and worked with the Toronto Raptors of the National Basketball Association on a system to help with trades and draft picks. From 2016-2018 Jon was the chief scientist of IBM’s two African research labs, one in Nairobi, Kenya, and the other in Johannesburg, South Africa. Since returning from Africa, Jon’s work has focused on applications of mathematical logic to theoretical questions in computer science, like the P=NP question. This is an in-person talk also available via Zoom.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».