Открытым остаётся вопрос о реализации продвинутых алгоритмов (нейронных сетей) с адаптационными свойствами, которые могут выделять, обучаться, а затем распознавать концепты.
За этим можете глянуть мою статью по этому поводу. Если интересно, больше наработок можно найти тут, и тут.
Мне кажется, вы неправильно поняли. В плане распространения сигналов по сети WTM — перцептрон с импульсными нейронами (если отбросить обратные связи, уменьшение порога активации, и локальность связей).
Если же говорить о времени, то самая близкая к выходу волна это реакция на самое давнее событие.
Изначально связи устанавливаются такими, чтобы WTM содержала в себе базовые реакции.
«Семантической» иерархии нет. Ничто в слоях не спрятано.
Если под «вверх — вниз» подразумевается «входные данные — предсказания» то это достигается за счет прямых и обратных связей.
Конкретные характеристики предположить сложно. Слишком много неизвестных: реализация модели, структура созданной WTM, характер сигналов среды, железо, адаптированность кода под железо и много другое. Можно лишь сказать, что сложность вычислений сопоставима с обыкновенными импульсными сетями.
Так вышло, что модель претерпела изменения. Текущая версия еще не реализована в коде. Для прошлой версии я проводил только синтетические тесты для проверки работоспособности основных механизмов. Как и написано в статье, боевое тестирование еще впереди.
То что вы подразумеваете под обобщением в терминах WTM таковым не является. Ваше обобщение — одинаковая внешняя реакция, для разных входных данных. В WTM это достигается с помощью ассоциаций. Имея ЭП означающий круг (базовый круг), мы можем ассоциировать его с другими «прецедентами круга». Позже, при предъявлении нового круга «он будет сравниваться с запомненными прецедентами». Сила ассоциации [новой круг -> базовый круг] будет складываться из сил всех ассоциаций [прецедент круга -> базовый круг]. Силы этих ассоциаций зависят от «похожести» нового круга на прецеденты.
С остальным «статичным» распознаванием все так же.
Именно. Вторые вообще не способны самостоятельно оценивать целесообразность своих действий. Если текущая ситуация «достаточно похожа» на ситуацию из их опыта, которая имеет целесообразную реакцию, то можно предположить, что приложение этой реакции к текущей ситуации тоже будет целесообразно (ясно, что не всегда). Заданием подходящего «уровня необходимой похожести» мы управляем целесообразностью обобщения.
Напротив, пункт 2 так и достигается.
обучение СУ целесообразному поведению через внешнюю среду (воспитание). В данном случае среда выступает в роли активного агента, выстраивающего свои воздействия на ОУ так, чтобы у него формировались требуемые модели поведения.
Очевидно, что подход к целесообразности реактивных моделей отличается от активных. В них нет оценки, но есть «рассмотрение событий в свете имеющегося опыта».
Утрированный пример для понимания: буду работать — буду есть. Есть — это хорошо, это целесообразно (целесообразность этого действия была заложена изначально). А значит буду работать.
Описанные вами объекты не совсем подходят. В ходе эволюции у тех же пчел сформировалось, то что некоторые называют альтруистическим поведением. Такое поведение направлено на сохранение вида (или над объекта, в примере с иммунной системы). Однако тогда адаптирующимся агентом необходимо считать вид целиком, а не отдельного его представителя. В случае же самодостаточных объектов (не стаи, не рои, ...) бессмысленно говорить об альтруизме, так как такое поведение не приведет к выживанию его вида (т.е. его самого).
Перенося это на искусственные объекты получаем, что если наш объект часть группы и жертва одного может помочь выполнению целей, то такое поведение приемлемо. Если объект самодостаточен (например какой-нибудь марсоход), то нет.
Information
Rating
Does not participate
Location
Санкт-Петербург, Санкт-Петербург и область, Россия
Если же говорить о времени, то самая близкая к выходу волна это реакция на самое давнее событие.
Изначально связи устанавливаются такими, чтобы WTM содержала в себе базовые реакции.
«Семантической» иерархии нет. Ничто в слоях не спрятано.
Если под «вверх — вниз» подразумевается «входные данные — предсказания» то это достигается за счет прямых и обратных связей.
Конкретные характеристики предположить сложно. Слишком много неизвестных: реализация модели, структура созданной WTM, характер сигналов среды, железо, адаптированность кода под железо и много другое. Можно лишь сказать, что сложность вычислений сопоставима с обыкновенными импульсными сетями.
Так вышло, что модель претерпела изменения. Текущая версия еще не реализована в коде. Для прошлой версии я проводил только синтетические тесты для проверки работоспособности основных механизмов. Как и написано в статье, боевое тестирование еще впереди.
То что вы подразумеваете под обобщением в терминах WTM таковым не является. Ваше обобщение — одинаковая внешняя реакция, для разных входных данных. В WTM это достигается с помощью ассоциаций. Имея ЭП означающий круг (базовый круг), мы можем ассоциировать его с другими «прецедентами круга». Позже, при предъявлении нового круга «он будет сравниваться с запомненными прецедентами». Сила ассоциации [новой круг -> базовый круг] будет складываться из сил всех ассоциаций [прецедент круга -> базовый круг]. Силы этих ассоциаций зависят от «похожести» нового круга на прецеденты.
С остальным «статичным» распознаванием все так же.
Напротив, пункт 2 так и достигается.
Очевидно, что подход к целесообразности реактивных моделей отличается от активных. В них нет оценки, но есть «рассмотрение событий в свете имеющегося опыта».
Утрированный пример для понимания: буду работать — буду есть. Есть — это хорошо, это целесообразно (целесообразность этого действия была заложена изначально). А значит буду работать.
Перенося это на искусственные объекты получаем, что если наш объект часть группы и жертва одного может помочь выполнению целей, то такое поведение приемлемо. Если объект самодостаточен (например какой-нибудь марсоход), то нет.