Por teoría de detección de señales, supongo que se refiere exactamente a eso, el tratamiento teórico de la detección de señales y su reducción a la práctica. El mayor problema / limitación que veo tiene que ver con nuestra incapacidad para encontrar detectores óptimos para cualquier ejemplo que no sea el mundano.
Dejame explicar. Si tenemos una señal conocida y una estructura de ruido conocida, entonces tenemos un filtro adaptado (posiblemente con blanqueamiento). Esto se conoce como detección de Neymann Pierson. El problema es que si nos encontramos en una situación en la que tenemos cualquier cosa menos los casos más triviales de parámetros desconocidos, ya sea en la señal o el ruido, no tenemos una buena manera de resolver el problema. En particular, no tenemos forma de construir un detector uniformemente más potente. Sí, tenemos una relación de probabilidad generalizada y localmente más potente (eso es mejor para señales asintóticamente débiles). El primero es a veces demostrablemente óptimo en el último sentido. Pero no tenemos forma de discernir si hay mejores soluciones para una clase dada de valores permitidos para los parámetros desconocidos.
¿Es esta limitación fundamental o redimible?
Algunos dirían que simplemente debemos convertirnos en bayesianos y todos nuestros problemas desaparecen. El inconveniente aquí es que a veces las incógnitas son verdaderamente deterministas y realmente se limitan bastante bien a través de la observación. En cualquier caso, Bayesian no es una panacea, es fácil terminar con una optimización no convexa intratable.
- ¿Qué innovaciones en la teoría de CS de los últimos 10 años han tenido un impacto fuera de la academia? Si iba a hacer un doctorado en CS, ¿debería hacer teoría en lugar de aprendizaje automático?
- ¿Cómo se prueba algo (desde cero) que es NP-hard?
- Si encuentro que las matemáticas discretas son totalmente comprensibles pero no realmente emocionantes, ¿debería reconsiderar estudiar CS? (Soy un estudiante de segundo año)
- ¿Cómo es tomar CS 151 (teoría de la complejidad) en Caltech?
- ¿Por qué no todas las personas que son buenas en matemáticas también son buenas en programación de computadoras?
¿Cómo podría ser una solución a este dilema? Sería bueno tener una generalización localmente más poderosa que nos diera orientación sobre qué detector elegir sobre algún conjunto de parámetros desconocidos.
