[ Новые сообщения · Участники · Правила форума · Поиск · RSS ]
  • Страница 1 из 1
  • 1
Алгоритмическая интерпретация вероятности VS биполярная
FuncДата: Воскресенье, 09.09.2018, 11:43 | Сообщение # 1
Группа: Администраторы
Сообщений: 187
Статус: Offline
Данный топик создан для отображения нашей с Inex-ом дискуссии относительно того, как может быть разрешена проблема индуктивного вывода в приложении к задаче создания СИИ.

Для того, чтобы содержание этой дискуссии было понятным для остальных участников форума приведу некоторые предварительные замечания.

Сперва о том, в чем наши с Inex-ом взгляды совпадают (пусть он меня поправит):

1. В содержании проблемы индуктивного вывода как таковой.
2. В том, что проблема индуктивного вывода теснейшим образом связана с задачей создания СИИ.
3. В приложении к СИИ проблема индуктивного вывода в некоторых частных случаях обретает форму проблемы получения индуктивных прогностических знаний.
 
FuncДата: Воскресенье, 09.09.2018, 11:44 | Сообщение # 2
Группа: Администраторы
Сообщений: 187
Статус: Offline
В приложении к СИИ проблема индуктивного вывода может рассматриваться
как задача продолжения некоего процесса (используя знание о том, как этот процесс протекал раньше). Такие задачи, как продолжение некоторой последовательности (по уже известной части этой
последовательности), продолжение графика функции (по уже известному отрезку),
заполнение пробелов в тексте или изображении - это все примеры задачи продолжения некоторого процесса.

Для решения задачи продолжения последовательности могут быть использованы разные подходы, создаваемые в рамках одной из следующих трех парадигм.

1. В рамках наиболее известной и используемой физикалисткой парадигмы, считается, что последовательность, которую следует продолжить есть порождение некоего материального процесса. Для ее продолжения нам следует построить физическую картину - в виде системы движущихся и взаимодействующих между собой материальных тел.
 
FuncДата: Воскресенье, 09.09.2018, 11:45 | Сообщение # 3
Группа: Администраторы
Сообщений: 187
Статус: Offline
2. В последнее время все большее распространение получает подход базирующийся на алгоритмической интерпретации понятия вероятности
Соломонова.

Вкратце, суть этого подхода можно изложить следующим образом. Для продолжения некоторой последовательности (генерируемой
некоторым производящим эту последовательность процессом), нам вовсе не
обязательно знать физическую подоплеку этого процесса. Какие
материальные силы, объекты и энергии при этом задействованы.

Для решения задачи продолжения последовательности нам необходимо знать всего лишь тот набор правил по которым создается данная последовательность. Иначе говоря, знать алгоритм ее создания.

Задача нахождения искомого алгоритма неимоверно осложняется тем
обстоятельством, что одна и та же последовательность может быть
сгенерирована бесконечным множеством самых разных алгоритмов.
Выход из положения сторонники алгоритмической интерпретации находят в хитро
организованной процедуре усреднения различных прогнозов, даваемых этими
алгоритмами.

Inex разрабатывает проект AIDEUS нацеленный на решение проблемы индуктивного вывода, в интеренете есть несколько
форумов, где происходит его обсуждение, например:
https://vk.com/board39468554

и здесь: https://geektimes.ru/post/150902/

и здесь: https://ailab.ru/forum/deyatelnost/aideus.html

(Inex меня поправит, если я где - стремясь к краткости изложения - допустил ошибки или неточности.)
 
FuncДата: Воскресенье, 09.09.2018, 11:45 | Сообщение # 4
Группа: Администраторы
Сообщений: 187
Статус: Offline
3. Кроме того, может быть использован подход базирующийся на созданной еще Лапласом парадигме элементарной теории вероятностей. Ключевым понятием в
этой теории является понятие "испытания".

Данное понятие обычно определяется следующим образом:"Испытанием называется наличие
определенного комплекса (набора, совокупности) условий. Событие,
возможность появления которого
связывается с данным испытанием называется его исходом".
 
FuncДата: Воскресенье, 09.09.2018, 11:46 | Сообщение # 5
Группа: Администраторы
Сообщений: 187
Статус: Offline
При решении вопроса о том, какой из последних двух подходов - алгоритмический или "испытательный" - имеет смысл использовать при решении задачи продолжения некоторой заданной последовательности мы
сразу же обнаружим, что каждая из этих интерпретаций обладает как своими преимуществами так и недостатками.

Например,если у нас есть обучающая выборка со стохастической составляющей вида:

lkk...heGxlkwer...gewerGxpolpo...polmcGxewr...G

В эту выборку заложена следующая закономерность: объект G появляется
абсолютно случайным образом, появление его точно предсказать в принципе
невозможно, но после его появления сразу
появляется объект x; т.е., зная, что появился G, предсказать появление x уже можно, это жестко
детерминированная зависимость (с подобными входными данными постоянно сталкиваются и
живые существа, например,при выработке условных рефлексов).

Ясно, что найти продолжение подобной последовательности удобнее в рамках
какой-нибудь "испытательной" интерпретации (при таком подходе G может
рассматривается как одно из условий испытания).
Но если мы возьмем такие последовательности:

10101010101010101010....
или
abbabbabbabbabbabbabb...
или
aaababbabbbabbbbabbbbabbbb...

т.е. последовательности содержащие регулярности, то должны признать, что с подобными последовательностями гораздо лучше справляется алгоритмическая интерпретация.
 
FuncДата: Воскресенье, 09.09.2018, 11:46 | Сообщение # 6
Группа: Администраторы
Сообщений: 187
Статус: Offline
Когда я привел Inex-у эти примеры, он мне ответил:

"Ну, опять же, проблему ты указываешь правильно, но как ее решает - не написано.
Да, есть последовательности (и на практике их много), основная
сложность которых сосредоточена в стохастической компоненте, которую
никак не сжать, можно только запомнить, а регулярная компонента очень
проста. Но даже если мы решим проблему для таких последовательностей,
это же не снимет проблему для последовательностей, где вся сложность
сосредоточена в регулярной компоненте, или, тем более, для смешанных
случаев. Можно дискутировать на тему, какой из случаев важнее, но для
СИИ все нужны. Вполне допускаю, что нам все же нужны разные методы для
работы с последовательностями разных типов. Но это не взаимоисключающие,
а взаимодополняющие методы. Собственно, в этом направлении я сейчас и
двигаюсь..."
 
FuncДата: Воскресенье, 09.09.2018, 11:46 | Сообщение # 7
Группа: Администраторы
Сообщений: 187
Статус: Offline
Inex, конечно же абсолютно прав говоря, что:
"Можно дискутировать на тему, какой из случаев важнее,
но для СИИ все нужны."

нам действительно нужен такой универсальный метод,
который одинаково успешно справлялся бы и со стохастикой и с регулярностями.

В поисках такого метода мы можем идти отталкиваясь от алгоритмической интерпретации (как это и делает Inex), пытаясь так ее развить и усовершенствовать, чтобы она могла справляться со стохастикой.

А можем попробовать идти отталкиваясь от одной из "испытательных" интерпретаций, пытаясь так развить и усовершенствовать ее, чтобы она
приобрела способность работать с регулярностями.
 
FuncДата: Воскресенье, 09.09.2018, 11:47 | Сообщение # 8
Группа: Администраторы
Сообщений: 187
Статус: Offline
Нужно сказать, что я и сам достаточно продолжительное время был сторонником одного из вариантов алгоритмического подхода.

Но столкнувшись при работе над ним с целым рядом проблем, которые показались мне неразрешимыми, решил отказаться от него и перешел на сторону "испытательного" подхода. Для усовершенствования которого разработал такую специфическую интерпретацию вероятности, которую условно назвал биполярной.

Концепция биполярной вероятности состоит из двух частей. Первая часть содержит систему правил пользуясь которыми мы можем дополнять описание предстоящего испытания - добавляя к перечню уже известных условий разного рода не наблюдаемые явно, скрытые и потаенные условия. Иначе говоря, эти правила позволяют нам выявлять скрывающиеся за кулисами параметры, объекты и факторы, оказывающие влияние на вероятность того или иного исхода.

Вторая часть содержит систему правил позволяющих находить вероятности исходов "новых" никогда ранее не проводившихся испытаний - если нам известно то, какими были исходы у некоторого множества старых, уже осуществленных испытаний.

Эти две части могут использоваться совместно (с мощным синергетическим эффектом, поскольку они дополняют друг друга), но могут использоваться и по отдельности - при решении разных частных задач.

Начну с описания первой части, т.е. того как строятся предположения о существовании тех или иных скрытых факторов (в книжке было сделано наоборот, сперва был описан способ решения проблемы "новой" ситуации.
 
FuncДата: Воскресенье, 09.09.2018, 11:47 | Сообщение # 9
Группа: Администраторы
Сообщений: 187
Статус: Offline
Перед началом описания того, как работают правила выявления скрытых факторов хотелось бы подчеркнуть следующее обстоятельство. Эти правила работают для тех испытаний, которые производятся в реальном мире (мы полностью правомочны сделать такое ограничение, так как изначально объявили о том, что собираемся рассматривать проблему индуктивного вывода в свете задачи создания СИИ, которую мы понимаем как задачу создания автономного самообучающегося агента, способного эффективно функционировать в реально существующем мире).

Для реального мира/вселенной/универсума характерно то, что можно назвать марковским свойством.

Представим процесс изменения мира как процесс последовательной смены различных его состояний.
Наличие у этого процесса марковского свойства означает то, что состояние мира в некий момент времени есть следствие его предыдущего состояния и причина последующего.

Состояние мира в некий момент времени полностью определяется тем, в каком состоянии он находился в предыдущий момент. Это значит, что для того, чтобы предсказать как изменится мир в следующий момент времени, нам достаточно знать полное описание его текущего состояния и те законы изменения, которым он подчиняется.

Выбор языка описания текущего состояния мира (как "видимой" его части так и "невидимой") определяется тем, какая из парадигм выбрана и используется при решении проблемы индуктивного вывода.

Если в рамках физикалисткой парадигмы состояние мира описывается в виде различных материальных объектов, их состояний и положений, а в рамках алгоритмической для подобного описания могут быть использованы различные вычислительные конструкты, то в рамках "испытательной" парадигмы, в которой одно испытание отличается от другого набором условий, описание текущего состояния производится на языке условий испытаний.

Видимые условия испытаний - это те состояния рецепторов агента, которые воспринимаются им непосредственно.
 
FuncДата: Воскресенье, 09.09.2018, 11:48 | Сообщение # 10
Группа: Администраторы
Сообщений: 187
Статус: Offline
Но вытащить, учесть и использовать имеющие место регулярности оказывается все же возможным.

Сразу скажу, что эта система правил (в отличие от второй части биполярки о которой речь пойдет ниже) пока еще довольна сыра, пока еще в ней целая куча темных мест и неясностей.

Но кое-что с ее помощью уже можно сделать. Например, вскрыть регулярность в приведенной бинарной последовательности.
 
FuncДата: Воскресенье, 09.09.2018, 11:48 | Сообщение # 11
Группа: Администраторы
Сообщений: 187
Статус: Offline
Это значит, что запись последовательности состояний бинарного датчика 1(p=1), 1(p=1),0(p=1),0(p=1),0(p=1),1(p=1),...

может быть дополнена указанием имен тех гипотетических, ненаблюдаемых объектов g1,g2,g3 .... что предположительно существовали при регистрации 1, 2, 3.... n-ого члена последовательности.

Рассмотрим такой простой пример. В простейшем случае, рецептор агента - это некий бинарный датчик, который
подвергаясь воздействиям внешней среды переходит в одно из двух
состояний, эти состояния могут регистрироваться через равные промежутки
времени и записываться в память.

Эта запись может иметь, скажем, такой вид: 110001011100001001000111101...

Для того, чтобы агент мог предсказать будущее состояние внешней среды он
должен уметь продолжать подобные последовательности эмпирических данных
(это необходимо ему для организации своей деятельности) - извлекая из
уже известной части всю ценную и значимую информацию использовать ее для
нахождения следующих членов.

В общем случае уже известные части последовательностей могут быть организованы самым разным образом и
состПри "испытательном" подходе особенно удобными для рассмотрения являются особого рода последовательности, которые построены путем
последовательного проведения таких испытаний, когда исход n-го
испытания, является n+1 членом последовательности (в свою очередь, n+1
член последовательности является одним из условий (n+1)-го испытания).

Подобного рода последовательности могут быть получены в результате проведения
измерительных процедур организованных следующим образом.

Пусть у нас имеется датчик, который через равные промежутки времени отправляет наблюдателюоять из самых разных членов.

(Замечу в скобках, что

Для начала формализуем процесс получения подлежащих дальнейшему рассмотрению последовательностей.
Т.е. зададим набор тех правил, по которым может производиться наблюдение и прогнозирование в предельно простом случае.

Основными составными частями этого процесса являются Внешняя Среда, Датчик, Наблюдатель, Таймер и Арбитр.

1. Датчик может находиться в одном из m состояний.
2. В то или иное состояние Датчик переходит исключительно под воздействием Внешней Среды.
3. Наблюдатель обладает возможностью регистрировать состояние Датчика и
производить ряд ментально- информационных операций (записывать
показания, производить разного рода расчеты и вычисления).
4. Осуществляя такие операции Наблюдатель не оказывает какого-либо
заметного воздействия на Внешнюю Среду (т.е. он лишен способности к
телекинезу).
5.

В этой интерпретации - как и в большинстве известных интерпретаций -
центральным понятием, отталкиваясь от которого мы и будем весь огород
городить, является понятие испытания.

Нужно сказать, что эта интерпретация довольно непроста как для понимания, так и изложения.

Для того, чтобы раскрыть ее суть, попробуем разобраться с тем, как вообще
"испытательные" интерпретации могут быть приспособлены для обнаружения
регулярностей.

На первый взгляд, это кажется невозможным. Ну как, скажите на милость, с помощью одномоментно
существующих условий испытания отобразить ту или иную м

Поясню суть возникающего затруднения на таком простом примере.

Рассмотрим некоторый, разворачивающийся во времени процесс генерации такой последовательности:

0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,...

(порядковый номер последнего члена этой последовательности есть n)

Какова вероятность того, что (n+1)-ым членом будет 1? Или 0?

При "испытательном подходе" можно исходить из того, что необходимый прогноз
производится в тот момент, когда уже было воспринято значение n-ого
члена, т.е. прогноз выполняется как решение задачи нахождения исхода
некоторого испытания.

Это испытание характеризуется следующим реально существующим условием: наблюдается появление значения 1 n-го члена.

При известных интерпретациях вероятности базирующихся на понятии испытания,
все то, что было ранее, до появления n-го члена не имеет никакого
значения. Поскольку эти условия существовали в прошлом - в настоящем они
уже не существуют (всем условиям испытаний присуще марковское свойство, поэтому все такие интерпретации являются абсолютно марковскими).

Поэтому такие интерпретации в принципе не в силах "увидеть" заложенную регулярность.

Поэтому для "испытательных" интерпретаций мы получим следующие значения вероятности:

При достаточной длине последовательности, когда применение частотной
(статистической) интерпретации оказывается правомерным получим для нее
1/2;

Для объективизированной байесовской вероятности появления 1 и 0 для очередного члена данной последовательности будут приблизительно
равны 0.5.

Хотя - это совершенно очевидно - заложенная в последовательность регулярность предполагает, что следующим членом будет
0 с вероятностью близкой к 1.
 
  • Страница 1 из 1
  • 1
Поиск:

Контакты
AI.MOY.SU
e-mail:
strongAI@bk.ru
strongai.gig@gmail.com
3139 Brownton Road
Long Community, MS 38915



Расположение