В MNIST-е цифры тоже отцентрованы, тем не менее расширение путем параллельного переноса успешно применяли (https://ru.wikipedia.org/wiki/MNIST, примечания 14, 15, 16).
Ну, берем основную сеть в качестве генератора, а дополнительную, — дискриминатора. Когда дополнительная оценивает результат, она фактически штрафует основную за неправдоподобие… Хотя наверное я тут неправ, поскольку генератор имеет доступ к образцам, и на входе имеет не шум, а первичную структуру. Но всё же предположу, что ситуации, когда одна сеть используется для вычисления ошибки другой, можно рассматривать как обобщение соревновательных сетей.
Про дополнительную сеть, — вот и черты соревновательных сетей появляются. Следующий шаг, — не только мерять «неправильность модели» по «distances in aggregate», а тренировать настоящий дискриминатор реальных белков от предсказанных сетью.
Понятно, (хотя можно позанудствовать про дополнительную модификацию или шапероны, очень возможно, что с развитием технологии станет актуально). Ну и я так понимаю, ощущения, что DM по привычке всех порвет пока нет.
Под «вообще» вы имеете в виду вывести свойства вещества по формуле или наоборот, а также поиск способа синтеза? Ну да, и про это и про белки интересно было бы послушать, думаю и статья пользовалась бы успехом тут.
Интересно, обратную задачу смогут? Есть, к примеру, состязательные сети для такого. Или уж сразу по требуемым свойствам выдавать технологию синтеза, или хотя бы ДНК-последовательность. Вот будет ГМО так ГМО.
Можно попробовать построить для каждого лица карту высот от сглаженной версии, и совмещать разные карты поиском максимума корреляции. Максимумы и минимумы высот — характерные точки, из их координат формируем вектор признаков, по этому вектору усредняем. Как-то так.
DeepMind рекламировала свои технологии и руководство, культивируя технологическую загадочность, однако вся демонстрация её работы сводилась к игрушкам с простейшими вычислимыми правилами.
Это он про игру Го? Ну, пусть сам попробует бота написать. Если подсушить, от статьи останется «не получится, потому что раньше не получилось».
Для чего вейвлеты, чтобы раскрыть временную структуру сигнала? Но она вроде как элементарна у фонемы. Ну и абсолютную частоту иногда отслеживать надо, например, чтобы сравнить с другими фонемами и найти тоновое ударение.
Тогда статью надо было назвать по-другому: «Бесполезный отложенный неблокирующий обмен сообщениями в MPI на бесполезной задаче». Когда задача вычислительно интенсивная, например, когда перемножаются матрицы, (а не вектора поэлементно), неблокирующий обмен очень даже полезен для подкачки данных для следующего кванта вычислений.
В мозге, действительно, прямому зрительному пути сопутствует обратный, об этом можно почитать например в «Об интеллекте» Хокинса. Есть теории, что это а) подсветка вниманием б) дорисовывание отсутствующих (загороженных) деталей в) информация о контексте (собственно Хокинс).
Кстати, при рассматривании картинки со слоном, именно слон стянет на себя внимание, и прочие детали будут осмыслены хуже, чем без слона.
Это он про игру Го? Ну, пусть сам попробует бота написать. Если подсушить, от статьи останется «не получится, потому что раньше не получилось».
Кстати, при рассматривании картинки со слоном, именно слон стянет на себя внимание, и прочие детали будут осмыслены хуже, чем без слона.