Технология - раздел Медицина, Про Интеллект. Временная иерархическая память Технически Htm Могут Рассматриваться Как Форма Байесовских Сетей, Где Сеть Со...
Технически HTM могут рассматриваться как форма Байесовских сетей, где сеть состоит из набора узлов, упорядоченных в древовидной иерархии. Каждый узел в иерархии самостоятельно открывает набор причин в его входной информации через процесс поиска обобщенных пространственных паттернов и затем через процесс поиска обобщенных временных паттернов. В отличие от множества Байесовских сетей, HTM являются самообучаемыми, имеют четко определенные отношения отцы/дети между узлами, по своей сути манипулируют изменяющимися во времени данными и предоставляют механизм скрытого внимания.
Сенсорные данные подставляются в самый низ иерархии. Для обучения HTM необходимо предоставить непрерывный, изменяющийся во времени поток данных, причем причина, лежащая в основе этого потока данных, должна быть устойчивой в окружении. То есть, вы либо двигаете сенсоры HTM в мире, либо объекты в мире двигаются относительно сенсоров HTM.
Выдвижение гипотез также выполняется над изменяющейся во времени информацией, хотя, в некоторых случаях, таких как зрение, возможно выдвижение гипотез над статической информацией.
В процессе выдвижения гипотез информация течет вверх по иерархии, начиная с узлов самого нижнего уровня, наиболее близких к сенсорам. По мере продвижения информации вверх по иерархии, последовательно в узлах более высокого уровня формируются гипотезы, каждая представляющая причины во все больших и больших пространственных областях и на все больших и больших периодах времени.
Методика, подобная Распространению Гипотез, ведет к тому, что все узлы сети быстро приходят к гипотезам, согласующимся с сенсорными данными. Предсказание сверху вниз может влиять на процесс выдвижения гипотез, путем склонения сети к выбору из предсказанных причин.
HTM являются системами памяти. Под этим мы подразумеваем, что HTM должны изучать их мир. Иногда вы можете выступать в роли учителя в процессе обучения, но вы не можете запрограммировать HTM. Все, что HTM изучает, хранится в матрице памяти в каждом узле. Эти матрицы памяти представляют точки пространственного квантования и последовательности, запомненные узлами.
Поскольку это новая технология, есть множество вещей, которые нам предстоит понять относительно HTM. Например, нам необходимо улучшить наши способности к измерению и определению емкости HTM. Нам необходимо разработать полезные эвристики, чтобы знать, какая иерархия будет лучше соответствовать конкретной задаче. Нам необходимо многое сделать, чтобы улучшить методы обучения. И хотя мы разработали алгоритмы для пространственного квантования и времязависимого пулинга, мы уверены, что они могут быть и будут улучшены. Пройдут годы продвижений и улучшений, пока мы научимся использовать эту технологию.
Первая реализация платформы Numenta HTM сделана для компьютеров с системой Linux. Платформа работает на всем, начиная с одного процессора и заканчивая множеством процессоров. Мы предвидим, что специально для HTM в конце концов будут разработаны различные виды пользовательского оборудования, но сегодня это необязательно.
На сайте allrefs.net читайте: "Про Интеллект. Временная иерархическая память"
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:
Технология
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Обнаружение причин в мире
Рисунок 1 показывает, как HTM взаимодействует с внешним миром. Слева на этом рисунке прямоугольник, представляющий мир, который изучает HTM. Мир состоит из объектов и их отношений. Некоторые из объ
Выдвижение гипотез о причинах нестандартной информации
Когда HTM знает, какие причины существуют в ее мире и как представлять их, она может выдвигать гипотезы. «Выдвижение гипотез» подобно распознаванию паттернов. При наличии нестандартной информации H
Предсказания
HTM состоят из иерархии узлов памяти, где каждый узел изучает причины и формирует гипотезы. Часть алгоритма обучения, выполняемая каждым узлом, заключается в том, чтобы хранить возможные последоват
Установка предпочтений
Когда HTM предсказывает, что вероятнее всего должно произойти далее, предсказание может выступать в качестве того, что называется «априорная вероятность», обозначая, что оно склоняет систему выдвиг
Воображение и планирование
HTM автоматически предсказывает и предчувствует, что вероятнее всего произойдет далее. Вместо того, чтоб использовать эти предсказания для установки предпочтений, предсказания HTM могут быть направ
Управление поведением
HTM, изучившая причины в мире и то, как эти причины ведут себя во времени, по существу создала модель этого мира. Теперь предположим, что HTM подключена к системе, которая физически взаимодействует
Иерархическое представление дает механизм внимания.
Иерархия в HTM обеспечивает механизм скрытого внимания. «Скрытое» внимание - это когда вы мысленно обращаете внимание на ограниченную порцию сенсорной информации. Люди могут обращать внимание на ча
Обработка распределений и данных из реального мира
Паттерны на предыдущих рисунках были не реалистичными. Большинство будет иметь более 16 входных линий, и, следовательно, входные паттерны, получаемые узлом, смотрящим в реальный мир будут гораздо б
Роль учителя
Предположим, вам показали изображения еды и попросили идентифицировать каждую картинку либо как «фрукт», либо как «овощ». Если показано яблоко или апельсин, вы говорите «фрукт». Если показан картоф
Распознавание статических изображений
Теперь мы можем обратиться к последнему вопросу этого раздела. Скажем, у нас есть система зрения, основанная на HTM. Мы обучаем ее с помощью изменяющихся во времени изображений. Она формирует предс
Представление времени
Для некоторых временных паттернов важно конкретное или относительное время между элементами в последовательности. Например, временные интервалы между нотами в мелодии или время между фонемами в про
Вопросы
Этот раздел содержит общие вопросы относительно HTM и несколько смешанных тем, которые еще не были затронуты. Нет особой необходимости знать эти материалы, чтобы развертывать системы, основанные на
Возможности
Самая передовая возможность технологии HTM – это ее способность обнаруживать причины, лежащие в основе сенсорных данных. Причины – это устойчивые и повторяющиеся структуры в мире. Концепция «причин
Результаты
HTM – это новая мощная вычислительная парадигма, которая может быть в конечном счете приравнена по важности к традиционным программируемым компьютерам в смысле общественного влияния и финансовых во
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Новости и инфо для студентов