Комбинаторная точка Редозубова ровно такой же «нейрон бабушки» по элементарной причине — нужно где-то хранить информацию о связях этой точки с элементами входного вектора. Перенос «бабушки» с нейрона на его синапс ничего принципиально не изменил.
Бабушка распределённая. Фактически один её инстанс говорит это не внуку, а своей копии в другом носителе (многоагентном). И дело возможно не в приоритете, а в проработанности модели бабушки, насколько хорошо она «проросла» в другой носитель.
Буриданов осёл — выдуманный персонаж. Не вижу проблемы с кучками апельсинов и живым ослом. Выбор вероятностный. Если есть две кучи с большим, но одинаковым количеством апельсинов, то осёл и я выберем из них случайную (скорее ту, что ближе).
У моей модели оценка количества происходит моментально и точно (для некоторого диапазона). То есть, относится к субитизации, но диапазон не ограничен 4 предметами. Но потолок есть, он зависит от плотности нейрокодов. Можно настройками выставить ограничение в 4 объекта.
Потолок в 4 объекта, кстати, означает, что плотность нейрокодов должна быть ~10-15%, что соответствует средней активности мозга. Если точнее, то 10% на нейрокод плюс 5-10% на спонтанную активность (по которой получается код нуля).
Закон Вебера-Фехнера про интенсивность ощущений. В модели же подсчёт предметов производится по бинарному типу — предмет есть или нет.
В примере поясняющей картинки с вики, отобрав (механизмом предвнимания) на сцене звёдочки одного цвета, получим их суммарный нейрокод. Подав теперь его на «зону» численности, на его выходе я получу уникальный нейрокод, соответствующий количеству этих отобранных вниманием предметов. Складывать можно и апельсины с яблоками (объекты разных классов), главное, чтобы они все одновременно, так сказать, попали в фокус внимания.
Вот картинка активности нейронов численности в модели. * я вам её показывал
По оси x — нейроны. По оси y — тесты по пять представлений количеств.
Видно, что чем больше «кучи», тем больше путаются нейроны и тем менее стабильный нейрокод они будут формировать.
Думаю, в подсчёте явное участвует внимание. То есть, счёт производится только группы объектов, которые выделило внимание. Антилопа может отнести львёнка к объекту другого класса — не представляющего угрозу. Внимание выделяет класс опасных зверей, взрослых львов, например. Тогда в зоне внимание останется только два взрослых льва.
В моей модели у рациональных чисел тоже может быть (точнее, — обязано быть, просто не было необходимости проверять специально на рац. числах) свой уникальный код, так как колокола нейронов «отцентрированы» на числовой оси случайным образом. Но в таком случае плотность кодов объектов должна модулироваться. К примеру, 10% для взрослого льва, 5% для львёнка. Тогда получим код для 2,5.
Я занимаюсь кодированием «всего сущего» в распределённые нейронные представления и год назад сделал работающую модель численности, как я считаю — биоподобную.
Активность «численных» нейронов аппроксимируется случайными гауссами (как у живых численных нейронов). Если произвольные объекты кодировать распределёнными представлениями одинаковой плотности, то плотность «суммарного» кода пропорциональна количественной сумме объектов.
Соответственно, разные количества объектов активируют свои нейронные группы численных нейронов. Ошибки получаются такие же как описано в этой статье. То есть, 3 немного путается с 2 и 4 и не путается с 5, или 8.
Понятие нуля тоже есть. Он получается вследствие низкой спонтанной активности нейронов входного слоя, которая всегда присутствует. Этакое смещение активности в плюс. То есть, для ноля объектов тоже есть своя нейронная группа. И, естественно, как и нейронные группы других численностей, она немного путается с соседними. А соседняя у нуля только одна — единица, как и в статье.
Сложение количеств объектов получается элементарно. Это сложение опять же плотностей кодов этих объектов. А вот с вычитанием не всё так ясно.
Ховард с коллегами научили насекомых отмечать цвета и количество увиденных объектов, а потом добавлять единичку к количеству синих или отнимать единичку от количества зелёных.
Если в лабиринте было N синих объектов, то потом выбирать надо кучу с N +1 объектами.
Если в лабиринте было N зелёных объектов, то потом выбирать надо кучу с N -1 объектами.
Для этого и создавалась Ассоциативная самозамкнутая сеть.
Не вижу никакой «самозамкнутости». Вижу направленный граф, в котором рёбрам назначили класс. Не нужно никакого «возбуждения», чтобы вытащить из графа все вершины, в которые входят рёбра определённого класса. Но какую задачу это может решать?
у джобы будет около минуты на выполнение своих функций
У меня в foreground services создаётся окно (по типу плавающей кнопки), которое висит «вечно», пока сам не остановлю сервис. Теперь всем таким приложениям хана?
По крайней мере «колупания и измерения» ответили на вопрос как физически представлены в мозге эти самые абстракции. «Красный», «кирпич» и «землекоп» представлены тремя нейронными репрезентациями и притом постоянно дрейфующими.
Размер хеш-пространства 2000 нейронов. Плотность SDR-кодов 5%, что равно 2000 * 0.05 = 100 нейронам на код.
Итого, количество возможных уникальных хеш-кодов равно числу сочетаний из 2000 по 100. Не могу сравнить такую огромную величину с количеством кодов входного пространства (2^50), но она всё рано явно больше заявленных 20.
Рад, что наконец присоединился к мушиному лагерю ))
Ссылки по теме:
Sparse Hash — проект хеш-нейронов мухи и модель колонки на их основе. Sparse Hash AI — тг-канал с дополнительными статьями проекта. Sparse Hash — тг-группа для обсуждения.
Не совсем. Я написал «появись она...». У нового варианта жизни ничтожные шансы ни то, что на конкуренцию, но и даже на само появление. Никто ей не даст 100 миллионов лет спокойно собираться из «первичного бульона» в протоклетку. Тупо сжирается сам этот «бульон»/материал текущей жизнью. Есть гипотеза, что жизнь зародилась в чёрных курильщиках, но миллиарды лет нет более стерильных курильщиков, там кипит жизнь. Рядом правильно ответили — никто не очищает чашку Петри.
Или почему жизнь на земле до сих пор не зарождается каждые 100-200 миллионов лет, в дополнение к уже существующей? Что такого произошло 3.8 миллиарда лет назад, что она вдруг зародилась и все, лавочка закрылась?
Появись она, и её бы в тот же миг сожрала, буквально, текущая жизнь. Все ниши заняты. Лавочка закрылась.
Разрушенный пролёт лестницы к последнему пятому этажу не уникален. Редко, но и мне тоже попадается. Если точно известно что там, то можно рассматривать это как настойчивую рекомендацию подсознания не соваться туда.
У меня предположение, что он сделал обратный процесс — сформировал вихрь из разницы температур в аппарате без движущих частей. Никто такое не смог повторить?
Можно, например, вычислить корреляцию между сенсорным кодом или его хешем с этим получившимся композитным кодом.
Можно просто использовать композитный код как уникальный код для последовательности пары стимулов. Код AB будет отличаться от кода BA.
Если рекурсивно хешировать код не предыдущего стимула, а предыдущий композитный код, то можно кодировать в уникальные коды произвольные последовательности стимулов.
Моё объяснение возможного варианта этого механизма.
Текущий сенсорный и отложенный в памяти коды (sensory and memory representations) разделяют общее пространство. Задача записать два кода в одно пространство, так чтобы можно было их различить. Если мы запишем в одно бинарное слово коды 10100000 и 10100000, то не сможем их отличить — 10100000 OR 10100000 = 10100000.
«Поворот» (оно же хеширование) отображает один код в другой таким образом, что значащие биты кода оказываются в других позициях («ортогональный» код). 10100000 отображается в 01000010. Теперь можно их сложить без потери способности их различать: 10100000 OR 01000010 = 11100010.
Интерференция (коллизия кодов) возникает в результате того, что операция «поворота» отображает в код, в каких-то битах пересекающийся с исходным. Например, 10100000 в 001000010. И сложение даст интерференцию 10100000 OR 00100010 = 11100010 (интерференция в 6-м бите, 00100000). Интерференция «съедает» часть кода. В первом примере memory representation было 2 бита, а с интерференцией упало до 1 бита. Это ухудшает последующее распознавание этого кода.
В итоге, в нейронном слое одновременно хранится текущий сенсорный код и хешированный код с предыдущего «тика»: S(t) | hash(S(t-1)). Фактически, кодируется уникальным кодом пара следующих друг за другом стимулов. Подобным способом можно закодировать последовательность стимулов произвольной длины.
У моей модели оценка количества происходит моментально и точно (для некоторого диапазона). То есть, относится к субитизации, но диапазон не ограничен 4 предметами. Но потолок есть, он зависит от плотности нейрокодов. Можно настройками выставить ограничение в 4 объекта.
Потолок в 4 объекта, кстати, означает, что плотность нейрокодов должна быть ~10-15%, что соответствует средней активности мозга. Если точнее, то 10% на нейрокод плюс 5-10% на спонтанную активность (по которой получается код нуля).
Закон Вебера-Фехнера про интенсивность ощущений. В модели же подсчёт предметов производится по бинарному типу — предмет есть или нет.
В примере поясняющей картинки с вики, отобрав (механизмом предвнимания) на сцене звёдочки одного цвета, получим их суммарный нейрокод. Подав теперь его на «зону» численности, на его выходе я получу уникальный нейрокод, соответствующий количеству этих отобранных вниманием предметов. Складывать можно и апельсины с яблоками (объекты разных классов), главное, чтобы они все одновременно, так сказать, попали в фокус внимания.
Вот картинка активности нейронов численности в модели. * я вам её показывал
По оси x — нейроны. По оси y — тесты по пять представлений количеств.
Видно, что чем больше «кучи», тем больше путаются нейроны и тем менее стабильный нейрокод они будут формировать.
В моей модели у рациональных чисел тоже может быть (точнее, — обязано быть, просто не было необходимости проверять специально на рац. числах) свой уникальный код, так как колокола нейронов «отцентрированы» на числовой оси случайным образом. Но в таком случае плотность кодов объектов должна модулироваться. К примеру, 10% для взрослого льва, 5% для львёнка. Тогда получим код для 2,5.
Активность «численных» нейронов аппроксимируется случайными гауссами (как у живых численных нейронов). Если произвольные объекты кодировать распределёнными представлениями одинаковой плотности, то плотность «суммарного» кода пропорциональна количественной сумме объектов.
Соответственно, разные количества объектов активируют свои нейронные группы численных нейронов. Ошибки получаются такие же как описано в этой статье. То есть, 3 немного путается с 2 и 4 и не путается с 5, или 8.
Понятие нуля тоже есть. Он получается вследствие низкой спонтанной активности нейронов входного слоя, которая всегда присутствует. Этакое смещение активности в плюс. То есть, для ноля объектов тоже есть своя нейронная группа. И, естественно, как и нейронные группы других численностей, она немного путается с соседними. А соседняя у нуля только одна — единица, как и в статье.
Сложение количеств объектов получается элементарно. Это сложение опять же плотностей кодов этих объектов. А вот с вычитанием не всё так ясно.
Если в лабиринте было N синих объектов, то потом выбирать надо кучу с N +1 объектами.
Если в лабиринте было N зелёных объектов, то потом выбирать надо кучу с N -1 объектами.
Размер хеш-пространства 2000 нейронов. Плотность SDR-кодов 5%, что равно 2000 * 0.05 = 100 нейронам на код.
Итого, количество возможных уникальных хеш-кодов равно числу сочетаний из 2000 по 100. Не могу сравнить такую огромную величину с количеством кодов входного пространства (2^50), но она всё рано явно больше заявленных 20.
Ссылки по теме:
Sparse Hash — проект хеш-нейронов мухи и модель колонки на их основе.
Sparse Hash AI — тг-канал с дополнительными статьями проекта.
Sparse Hash — тг-группа для обсуждения.
Появись она, и её бы в тот же миг сожрала, буквально, текущая жизнь. Все ниши заняты. Лавочка закрылась.
Можно просто использовать композитный код как уникальный код для последовательности пары стимулов. Код AB будет отличаться от кода BA.
Если рекурсивно хешировать код не предыдущего стимула, а предыдущий композитный код, то можно кодировать в уникальные коды произвольные последовательности стимулов.
Текущий сенсорный и отложенный в памяти коды (sensory and memory representations) разделяют общее пространство. Задача записать два кода в одно пространство, так чтобы можно было их различить. Если мы запишем в одно бинарное слово коды 10100000 и 10100000, то не сможем их отличить — 10100000 OR 10100000 = 10100000.
«Поворот» (оно же хеширование) отображает один код в другой таким образом, что значащие биты кода оказываются в других позициях («ортогональный» код). 10100000 отображается в 01000010. Теперь можно их сложить без потери способности их различать: 10100000 OR 01000010 = 11100010.
Интерференция (коллизия кодов) возникает в результате того, что операция «поворота» отображает в код, в каких-то битах пересекающийся с исходным. Например, 10100000 в 001000010. И сложение даст интерференцию 10100000 OR 00100010 = 11100010 (интерференция в 6-м бите, 00100000). Интерференция «съедает» часть кода. В первом примере memory representation было 2 бита, а с интерференцией упало до 1 бита. Это ухудшает последующее распознавание этого кода.
В итоге, в нейронном слое одновременно хранится текущий сенсорный код и хешированный код с предыдущего «тика»: S(t) | hash(S(t-1)). Фактически, кодируется уникальным кодом пара следующих друг за другом стимулов. Подобным способом можно закодировать последовательность стимулов произвольной длины.