Rozproszone reprezentacje
description
Transcript of Rozproszone reprezentacje
Rozproszone reprezentacje
Janusz A. Starzyk Wyzsza Szkola Informatyki i Zarzadzania w Rzeszowie
W oparciu o wykład Prof. Geoffrey HintonUniversity of Toronto
Inteligentne Systemy Autonomiczne
Lokalne reprezentacje
• Najprostszą drogą reprezentacji rzeczy w sieciach neuronowych jest dedykowanie jednego neuronu dla każdej rzeczy. – Łatwe do zrozumienia. – Łatwe do ręcznego kodowania.
• Często wykorzystywane do reprezentacji danych wejściowych sieci.
– Łatwe do nauki.• To jest to co robią mieszane modele.• Każdy klaster odpowiada jednemu neuronowi.
– Łatwe do łączenia z innymi reprezentacjami. • Ale lokalne modele są bardzo nieskuteczne gdy dane
mają strukturę składnikową.
Przykłady struktur składnikowych.
• Duży, Żółty, Volkswagen– Czy mamy neuron dla takiej kombinacji ?
• Czy jest z góry ustalony neuron DŻV ?• Czy jest on tworzony w trakcie uczenia?• Jak jest on związany z neuronami Duży i Żółty i
Volkswagen?
• Rozważ obserwowany obraz– Zawiera wiele różnych obiektów– Każdy objekt ma wiele własności np. kolor, wielkość,
kształt, ruch– Obiekty mają przestrzenne relacje z innymi obiektami
Wykorzystanie równoczesności do łączenia rzeczy razem
Reprezentują połączenia przez aktywowanie wszystkich elementów w tym samym czasie.– To nie wymaga połączeń
między elementami– Ale co gdy rownoczesnie
chcemy reprezentować żółty trójkąt i niebieskie koło?
Może to tłumaczy seryjną naturę świadomości.– A może nie!
kolo
row
e n
euro
ny
kształtne neurony
Wykorzystanie przestrzeni do łączenia rzeczy razem.
• Typowe komputery potrafią łączyć rzeczy razem przez umieszczenie ich w sąsiednich komórkach pamięci.– Najlepiej prezentuje się to na wizji. Powierzchnie
są generalnie nieprzezroczyste, więc widzimy tylko jedną rzecz w każdym miejscu pola wizyjnego.
• Jeśli używamy map topograficznych dla różnych cech, to możemy założyć, że cechy w tej samej lokalizacji należą do tej samej rzeczy.
Definicja „rozproszonej reprezentacji”.
• Każdy neuron musi reprezentować coś, więc musi to być lokalna reprezentacja.
• “Reprezentacja rozproszona” oznacza relacje wiele-do-wielu między dwoma typami reprezentacji (takimi jak koncepcje i neurony).– Każda koncepcja jest reprezentowana przez
wiele neuronów .– Każdy neuron uczestniczy w reprezentacji
wielu koncepcji.
Kodowanie przybliżone
• Wykorzystanie jednego neuronu dla kazdej rzeczy jest nieefektywne. – Wydajny kod miałby każdy neuron aktywny przez
połowę czasu• To mogłoby być mało wydajne dla innych celów (jak
łączenie odpowiedzi z odwzorowaniami).
• Czy możemy uzyskać dokładne reprezentacje przez wykorzystanie wielu niedokladnych neuronów?– Jeśli tak to byłoby to bardzo odporne na awarie
sprzętu komputerowego.
Kodowanie przybliżone
Użyj trzech nakładających się tabel o dużych komórkach aby uzyskać tabele wielu drobnych komórek– Jeśli punkt jest w drobnej
komórce, koduj go przez aktywacje 3 dużych komórek
• Jest to skuteczniejsze od używania neuronu dla każdej drobnej komórki.– Koszt - 3 tablele– Zysk - 3x3 w rozdzielczosci– Ogólnie 3-krotna oszczednosc
Jak skuteczne jest kodowanie przybliżone?
• Efektywność zależy od wymiarowości– W przestrzeni jedno-wymiarowej kodowanie przybliżone
nie pomaga.– W 2D oszczędność w neuronach jest proporcjonalna do
stosunku drobnego rozmiaru do zgrubnego rozmiaru. – W przestrzeni k – wymiarowej, powiększając rozmiar r
krotnie możemy utrzymać tę samą dokładność jak z drobnymi polami i zaoszczędzić :
1
#
# krneuronyzgrubne
neuronydokladnecioszczednos
Limity kodowania przybliżonego
• Osiąga dokładność ale kosztem rozdzielczosci– Dokładność jest zdefiniowana jako wielkość
przesunięcia punktu do momentu zmiany reprezentacji– Rozdzielczosc jest zdefiniowana jako ta odległość przy
której punkty mogą być nadal rozróżnialne w reprezentacji.
• Reprezentacje mogą zachodzić na siebie i wciąż być dekodowane jeśli pozwolimy na aktywność powyżej 1
• To sprawia trudności w kojarzeniu bardzo różnych odpowiedzi z podobnymi punktami, ponieważ ich reprezentacje nakładają się.– Jest to użyteczne do generalizacji.
• Efekty graniczne dominują gdy pola są bardzo duże.
Kodowanie przybliżone w systemie wizyjnym
• Idąc dalej od siatkówki oka obszary wejsciowe neuronów stają się coraz większe i wymagają bardziej skomplikowanych cech. – Większość neurologów interpretuje to jako dowód
niezmienniczości neuronów– Jest to również potrzebne w przypadku gdy neurony
chciałyby osiągnąć wysoką dokładność– Dla właściwości takich jak pozycja, orientacja i rozmiar
• Wysoka dokładność jest potrzebna, by zdecydować czy części obiektu są we właściwej przestrzennej relacji ze soba
Reprezentacja struktury relacyjnej
• “George kocha Pokój”– Jak twierdzenie może być przedstawione jako
rozproszony model działania?– Jak neurony przedstawiające różne
twierdzenia sa powiązane ze soba i ze skladowymi tych twierdzen?
• Potrzebujemy reprezentowac rolę dla każdego skladnika w twierdzeniu.
Droga do reprezentacji struktur
Ge
org
e
To
ny
Wo
jna
Po
kój
Ryb
a
Ch
ipsy
Ro
bak
i
Miło
ść
Wst
ręt
Jed
zen
ie
Da
wa
nie
agent
objekt
beneficjant
akcja
Problem rekurencji
• Jacques był rozgniewany tym iż Tony pomógł Georgowi– Jedno twierdzenie może być częścią innego
twierdzenia. Jak możemy to pokazać w neuronach?• Jedną z możliwości jest użycie „skróconych opisów”.
Oprocz pełnej reprezentacji przez model rozlozony na dużą liczbę neuronów, jednostka może mieć znacznie bardziej zwarta reprezentacje, która moze być częścią większej jednostki.– Jest to trochę jak wskazniki (pointers).– Mamy pełną reprezentację wybranego przedmiotu i
zredukowane reprezentacje jego części składowych. – Ta teoria wymaga mechanizmów kompresji pełnych
reprezentacji do reprezentacji zredukowanych i rozszerzania skróconych opisów do opisow pełnych.