Было бы очень интересно выяснить, как получилось так, что во всех странах обвиняют более-менее поровну правительство и повстанцев, а в России соотношение 96:4. Может ли это быть влиянием сообщений ботов? Или менталитет в России настолько отличаются от остального мира?
Спасибо за статью! Там была как раз лежала та инфа, которая мне на самом деле была необходима (а именно то, что полноценное шифрование времени занимает куда меньше, чем я думал, основываясь на каких-то странных статьях — соответственно можно использовать нормальное).
Насколько сложно и насколько эффективно делать шифрование самой таблицы файлов, чтобы защитить данные от непрофессионального взломщика? Есть ли файловые системы, для которых этот метод эффективнее, чем для других?
Для вычисления объемов/площадей разной сложной фигни хорошо использовать метод монте-карло: реализуется элементарно, результаты дает с любой наперед заданной точностью. В случае работы с изображениями конечно удобнее считать пиксели, но если был какой-то процессинг с выделением и обработкой контуров — то можно использовать монте-карло. А вот интегрировать контуры, полученные путем снятия изображения с камеры — это полный приезд…
Строго говоря одним детектором лиц тут не обойтись, но он плюс чуть-чуть алгоритмов из области детекции движений действительно сделают свое дело. Так что может не 500, но в пару тысяч уж точно можно уложить. Возможности комп. зрения для презентаций сейчас очень сильно недооценены
>находить какие то кластеры образцов, выделяя какие то общие признаки она будет.
Можно точно сформулировать правило обучения сети, чтобы я был уверен, что думаю о том же, о чем и вы? Потому что из того, что мне сейчас приходит в голову, не следует такое утверждение…
Не читал, но тут вопрос в другом. Можно ли полноценно мыслить, не имея возможности оперировать самим понятием «я», не имея возможности подумать о своих собственных мыслях?
Квантовые нейросети — так же интересно, как и квантовые вычисления вообще. А вот теории квантового мозга я не доверяю — не вижу смысла придумывать излишне сложные объяснения тому, что можно объяснить проще.
>потому что не всегда понятно что такого особенного добавляет к проблеме «биологический» подход по сравнению с чисто математическим
Да я бы не сказал, что он что-то особенное добавляет. Нейросети для меня — чистая математика.
>И это в приложении именно к вашей модификации сети Хопфилда?
Очевидно не к той, которую я тут описал. Собственно сеть вторична — первичен метод обучения, его нужно придумать, а под него уже сеть сама выберется.
>Потому как отдельно взятое решение этой проблемы — мне видеться в некой процедуре в виде последовательного циклического применения алгоритмов сначала кластеризации, а потом классификации
Я достаточно долго думал над этой проблемой, и пытался к ней подойти разными методами, но пока у меня не получилось что-то внятное. Проблема в сходимости применяемых методов (ну и в том, чтобы они сходились к какому-то нетривиальному решению).
>но прежде нужно понять — чем вас не устраивает статистика?
Тем, что в статистике нет внятных методов работы с такого рода задачами, по крайней мере если говорить об алгоритмах, которые под силу современным вычислительным системам (конечно, какая-нибудь корреляция дикого порядка даст нам результат — но ее ведь не вычислить ни для какой реальной задачи). «Среднестатистическое» очень сильно отличается от того, что на самом деле можно было бы вытащить из статистики другими методами — именно оно меня интересует — но этих методов нет.
>В общем — никакой романтики, никаких сновидений — чистая математика :)
Ну так это все делается для того, чтобы понять, какая именно математика стоит за нейросетями нашего мозга :)
И то что за этим стоит совсем несложная, я бы даже сказал тривиальная, математика, не отменяет того, что полученные свойства интересны.
>А можно подробнее? Не очень понял задачу.
Задача примерно такая, какую решает человек в процессе своего развития: есть непрерывный поток образов, подаваемый на вход, и нужно чтобы сеть выделила из него какие-то характерные повторяющиеся образы, построила для них некоторое инвариантное внутреннее представление, которое мы могли бы увидеть, наблюдая внутренние состояния сети.
Вообще в ближайших планах поработать именно с нотами, т.к. они легко ложатся на эту модель без всякой технической работы по препроцессингу звука. А там посмотрим, если будут действительно интересные результаты, вавки тоже попробуем
Объединить можно, распараллелить можно вообще замечательно, но пока не очень понятно зачем.
Примеров толком нет из-за того, что это пока чисто теоретические исследования. Хотя есть мысль сделать пример с мелодиями — дать запомнить достаточно много разных мелодий, и послушать что сеть соберет в «свободном» режиме.
Ну как — по последним исследованиям ребят из Blue Brain в мозгу нейроны объединены в кластеры примерно по сотне нейронов в кластере, и внутри кластера почти все нейроны связаны либо напрямую, либо через одного общего соседа, а между кластерами связи существенно более разреженные. То есть это не то чтобы Хопфилдовская сеть, но все же не очень далеко от нее.
А линии задержки — да, биологически обоснованы, мы их из этих соображений и ввели. В описанной тут модели они в рамках одного слоя, т.к. в такой схеме было понятно как учить сеть — но сейчас мы переходим к более интересной структуре, которая почти точно соответствует такой схеме соединений, но она в стадии предварительных исследований, никаких внятных результатов еще нет.
Для ассоциативной сети ошибка в предположении «часть классификаторов перестала активироваться» — т.к. ни один нейрон не является классификатором в прямом смысле. Для рекуррентного перцептрона при большинстве схем обучения это верно.
Это был ответ на вопрос, что делать здесь и сейчас, а не для чего нужны нейронные сети :) Но с учетом того, что в ИНС можно будет по желанию включать/выключать/менять силу влияния различных нейромедиаторов (в том числе связанных, например, с обидой), это может облегчить задачу
Но это не совсем на пустом месте — они структурно все же ближе к тому, что происходит в мозгу, чем любые модели до них. Впрочем, нашу сеть называть сетью Хопфилда уже не очень корректно, отличия слишком большие. Для такого типа сетей часто используют название «ассоциативные», по-моему достаточно удачное.
Тут вообще не стоит задача обработки языка, а слова из букв были выбраны просто как пример последовательных данных, в которых много повторяющихся образов, и каждый конкретный вход обязательно надо рассматривать в контексте. С таким же успехом это могли быть спектрограммы произносимых слов — но для решения такой задачи пришлось бы много работать над техническими деталями, мы же пока занимаемся чисто теоретическими исследованиями
Можно точно сформулировать правило обучения сети, чтобы я был уверен, что думаю о том же, о чем и вы? Потому что из того, что мне сейчас приходит в голову, не следует такое утверждение…
Да я бы не сказал, что он что-то особенное добавляет. Нейросети для меня — чистая математика.
>И это в приложении именно к вашей модификации сети Хопфилда?
Очевидно не к той, которую я тут описал. Собственно сеть вторична — первичен метод обучения, его нужно придумать, а под него уже сеть сама выберется.
>Потому как отдельно взятое решение этой проблемы — мне видеться в некой процедуре в виде последовательного циклического применения алгоритмов сначала кластеризации, а потом классификации
Я достаточно долго думал над этой проблемой, и пытался к ней подойти разными методами, но пока у меня не получилось что-то внятное. Проблема в сходимости применяемых методов (ну и в том, чтобы они сходились к какому-то нетривиальному решению).
Тем, что в статистике нет внятных методов работы с такого рода задачами, по крайней мере если говорить об алгоритмах, которые под силу современным вычислительным системам (конечно, какая-нибудь корреляция дикого порядка даст нам результат — но ее ведь не вычислить ни для какой реальной задачи). «Среднестатистическое» очень сильно отличается от того, что на самом деле можно было бы вытащить из статистики другими методами — именно оно меня интересует — но этих методов нет.
Ну так это все делается для того, чтобы понять, какая именно математика стоит за нейросетями нашего мозга :)
И то что за этим стоит совсем несложная, я бы даже сказал тривиальная, математика, не отменяет того, что полученные свойства интересны.
>А можно подробнее? Не очень понял задачу.
Задача примерно такая, какую решает человек в процессе своего развития: есть непрерывный поток образов, подаваемый на вход, и нужно чтобы сеть выделила из него какие-то характерные повторяющиеся образы, построила для них некоторое инвариантное внутреннее представление, которое мы могли бы увидеть, наблюдая внутренние состояния сети.
Примеров толком нет из-за того, что это пока чисто теоретические исследования. Хотя есть мысль сделать пример с мелодиями — дать запомнить достаточно много разных мелодий, и послушать что сеть соберет в «свободном» режиме.
А линии задержки — да, биологически обоснованы, мы их из этих соображений и ввели. В описанной тут модели они в рамках одного слоя, т.к. в такой схеме было понятно как учить сеть — но сейчас мы переходим к более интересной структуре, которая почти точно соответствует такой схеме соединений, но она в стадии предварительных исследований, никаких внятных результатов еще нет.
Я как-то не понял чему будет обучаться такая штука, и почему из-за этого будет возникать случайная последовательность…