神经网络如何学习具有可变数量输入的函数？

Question

一个简单的例子：给定输入序列，我希望神经网络输出序列的中值。问题是，如果神经网络学会了计算n个输入的中位数，那么它如何计算更多输入的中位数？我知道递归神经网络可以学习序列中的max和parity之类的函数，但是计算这些函数只需要恒定的内存即可。如果内存需求随着输入大小的增长而增加，例如计算中位数怎么办？

这是关于当输入数量可变时如何使用神经网络的后续问题？。

Answer 1

如果神经网络学会了计算 n 个输入的中值，那么它如何计算更多输入的中值呢？

首先，您应该了解神经网络的使用。我们通常在无法用数学方法解决的问题中使用神经网络。在这个问题中，使用神经网络并不重要/不可取。

还有其他类似性质的问题，例如预测，其中连续数据随着时间的推移而到达。

解决此类问题的一种方法是隐马尔可夫模型（HMM）。但同样，此类模型取决于一段时间内输入之间的相关性。所以这个模型对于输入完全随机的问题来说效率不高。

因此，如果输入完全随机并且内存需求增加

您对此无能为力，一种可能的解决方案是增加内存大小。

请记住一件事，神经网络和类似的机器学习模型旨在从数据中提取有意义的信息。如果数据只是一些随机值，那么所有模型都会生成一些随机输出。