Experten der Abteilung Apple Machine Learning Research haben eine Arbeit vorgestellt, die sich der Analyse ortsinvarianter Eigenschaften von Funktionen widmet. Solche Eigenschaften, auch als symmetrisch bezeichnet, werden ausschließlich durch die Häufigkeit des Auftretens von Werten in einer Funktion definiert, unabhängig davon, an welchen Positionen diese Werte liegen.
In früheren Studien wurde festgestellt, dass die Abfragekomplexität beim Testen solcher Funktionseigenschaften eng mit der Stichprobenkomplexität beim Testen entsprechender Verteilungseigenschaften verknüpft ist. Die Autoren der neuen Arbeit betonen jedoch, dass dieser stabile Zusammenhang bei der Übertragung auf Verifizierungsaufgaben nicht bestehen bleibt.
Die Hauptfolgerung der Studie weist auf einen fundamentalen Unterschied zwischen den Prozessen des Testens und der Verifizierung in diesem Bereich hin. Was die Ansätze für Funktionen und Verteilungen in der Testphase vereinte, erweist sich als getrennt, wenn es um die Bestätigung der Korrektheit von Eigenschaften geht.
redaktioneller Kommentar
Warum es wichtig ist
Eine wahrscheinliche Folge wird das Entstehen neuer Forschungsrichtungen sein, die sich ausschließlich auf die Komplexität der Verifizierung konzentrieren, getrennt vom Testen. Das nächste beobachtbare Signal werden Versuche anderer Forschungsgruppen sein, dieses Ergebnis zu reproduzieren oder Gegenbeispiele zu finden. Die materielle Unsicherheit besteht darin, wie breit diese Kluft in realen Anwendungsproblemen ist und nicht nur in theoretischen Modellen.