গভীর নেটওয়ার্কগুলি উপপাদ্য প্রমাণের জন্য প্রশিক্ষণ দেওয়া যেতে পারে?


21

ধরুন আমাদের কাছে প্রথম অর্ডার প্রিফিকেট ক্যালকুলাসের প্রমাণ রয়েছে। ধরা যাক, সেই গণিতে সেই ক্ষেত্রটিতে আমাদেরও অক্ষরেখা, তাত্পর্য এবং উপপাদ্য রয়েছে।

প্রতিটি প্রস্তাব যা প্রমাণিত হয়েছিল এবং বিদ্যমান তত্ত্বের মূল অংশটি সেই নির্দিষ্ট প্রস্তাবটিকে ঘিরে একটি প্রশিক্ষণ সংস্থার উদাহরণ হিসাবে এবং সম্পর্কিত লেবেল হিসাবে প্রস্তাবের জন্য একটি ভাল ভাল প্রমাণ বিবেচনা করুন। এখন, উদাহরণস্বরূপ এই প্রশিক্ষণটির জন্য প্রশিক্ষণের জন্য বিশেষভাবে নকশা করা একটি গভীর কৃত্রিম নেটওয়ার্ক এবং হাইপার-পরামিতিগুলি সঠিকভাবে সেট করার জন্য বিবেচনা করুন।

গভীর কৃত্রিম নেটওয়ার্ককে এমনভাবে প্রশিক্ষণ দেওয়া সম্ভব যে কোনও নতুন প্রস্তাবের উপস্থাপনা এবং এর চারপাশের বিদ্যমান তত্ত্বটি ইনপুটটিতে প্রথম ক্রমে প্রিকিকেট ক্যালকুলাস উপস্থাপিত হলে আউটপুটে কোনও প্রমাণ তৈরি করতে পারে?

(অবশ্যই, এই জাতীয় প্রমাণগুলি পরে ম্যানুয়ালি পরীক্ষা করা উচিত))

যদি ফলস্বরূপ ভাল প্রমাণের অনুপাত পর্যাপ্ত পরিমাণে থাকে তবে প্রশিক্ষিত গভীর নেটওয়ার্কের প্রস্তাব দেওয়ার ফলে কোনও জেনেটিক অ্যালগরিদম তৈরি করা সম্ভব হবে যার দ্বারা প্রমাণ তৈরি হবে?

এটা কি সম্ভব?

কোলাটজ অনুমান বা রিমন অনুমানের সমাধানের জন্য এই জাতীয় গভীর নেটওয়ার্ক নকশা ব্যবহার করা বা গণিতবিদরা বৈধ প্রমাণের পক্ষে আরও বেশি সক্ষম হয়ে এমন উপায়ে ন্যূনতম প্যাটার্নগুলি পুনরায় সাজানো সম্ভব হবে কি?


5
যতদূর আমি একটি "সংমিশ্রণকারী" না হিসাবে ভাবতে পারি, এনএন কেবলমাত্র ফাংশন আনুমানিক (খুব ভাল) জন্য ভাল ... একটি এনএন বললে আপনি যা বলতে পারেন তা করতে পারে এটি একটি অন্তর্নিহিত ধারণা তৈরি করে যে সমস্ত প্রমাণগুলি কোনওভাবেই কোনও ফাংশন হিসাবে কাজ করে প্রবাদ, বর্ণ বা অন্যান্য জিনিস ... এবং কেউ এটি বলেছেন কিনা তা আমি জানি না
দত্তএ

2
@ ডগলাসডেসেকো প্রায় সমস্ত প্রমাণ গণিতবিদদের দ্বারা 'অন্তর্নিহিতভাবে' কিছু বিমূর্ত ধারণা কল্পনা করে তা আবার প্রাণবন্ত করে তোলেন .... যদিও এনএন এর পক্ষে অবশ্যই এটি সক্ষম নয়..তিনি কেবল ব্যতিক্রমী মামলার সন্ধান করার মতো ক্ষুদ্র বা অনুরূপ উপপাদ্য প্রমাণ করতে সক্ষম হবেন এবং এইভাবে অস্বীকার করুন বা এরকম কিছু
দত্তএ

1
@ দত্তএ, স্বজ্ঞাততা যুক্তির চেয়ে নিউরাল নেট শেখানো অনেক সহজ। কৃত্রিম জাল কোনও নিয়ম ইঞ্জিন ছাড়াই অস্পষ্টভাবে সম্বোধিত মেলকে বাছাই করতে পারে। বৈশিষ্ট্য নিষ্কাশন এবং নিরীক্ষণযুক্ত শ্রেণিবিন্যাস খুব স্বজ্ঞাততার কাছাকাছি। লজিকাল ক্রিয়াকলাপগুলি গুণমান ডাবলগুলির মতো দুর্গম। বিকাশমান মনোবিজ্ঞানে, প্রাপ্তবয়স্কদের দৃষ্টি আকর্ষণ করার স্বজ্ঞাত প্রাপ্তি যৌক্তিক AND এবং OR ধারণা ধারণার কয়েক বছর আগে ঘটে। বাচ্চারা কার্যকারণে ভাবেন না, "আমি যদি বাচ্চা দিই তবে মা আমাকে ভেঙে চিনি দেবে।" তারা কোনও ক্রিয়াকলাপ চালায়, পরিকল্পনা নয়। আমার উত্তর এখানে, প্রথম দুটি আইটেম সবচেয়ে কঠিন।
ফৌখ্রিস্টিয়ান

2
আমি একটি traditionalতিহ্যগত উপপাদ্য প্রবাদটি গাইড করতে একটি এনএন ব্যবহার করার পরামর্শ দিতে পারি । নিয়মিত উপপাদ প্রবাদটি নেটওয়ার্কে সম্ভাবনাগুলি উপস্থাপন করে এবং এনএনকে কেবল একটিটি বেছে নিতে হবে। এইভাবে, এটি বৈধ যুক্তিটি কী এবং এটি কী আকর্ষণীয় তা কেবল শিখতে হবে না।
পাইরুলেজ

উত্তর:


6

বিগত কয়েক দশক ধরে বিকশিত বিদ্যমান উত্পাদন ব্যবস্থাগুলি তাদের মধ্যে অনুমানের নিয়মগুলি কোড করে। এগুলি লাইবনিজের দৃষ্টিভঙ্গির উপর ভিত্তি করে যে সমস্ত শাস্ত্রীয় যুক্তি প্রতীকী ভাষায় এনকোড করা যায় এবং যান্ত্রিকভাবে প্রক্রিয়াজাত করা যায়। প্রথম অর্ডার প্রিকেট যুক্তি তৈরি করা হয়েছিল এবং একটি নামকরণ আনুষ্ঠানিক করা হয়েছিল।

যদিও গডেলের দুটি অসম্পূর্ণতা উপপাদ্য দ্বারা স্বয়ংক্রিয় উপপাদ্য প্রমাণের দর্শনকে যথেষ্ট চ্যালেঞ্জ জানানো হয়েছিল, তিউরিংয়ের সম্পূর্ণতা এবং বাস্তবে এটি বাস্তবে উপলব্ধি করার জন্য একটি স্থাপত্যের বিকাশ ভন নিউমন তার অনুমানের যান্ত্রিক প্রক্রিয়াটিকে স্বয়ংক্রিয় করার দিকে কাজটিকে পুনরুদ্ধার করেছিলেন।

মিনস্কির সময়ে এমআইটির এআই ল্যাব এই জাতীয় প্রচেষ্টায় বেঁচে ছিল, তবে তারা যোদ্ধা বিস্ফোরণ বলেছিল তা প্রমাণ করে যে অ-তুচ্ছ জটিলতার স্বতঃস্ফূর্ত উপপাদাগুলি স্বয়ংক্রিয়ভাবে প্রমাণ করার জন্য প্রয়োজনীয় স্থান অনুসন্ধান করার জন্য অপর্যাপ্ত কম্পিউটিং সংস্থার উপস্থিতি ছিল। সংযোগ মেশিন এবং বিভিন্ন স্কিম নামে পরিচিত বিভিন্ন বৃহত সমান্তরাল কম্পিউটারগুলিকে সংযুক্ত বিস্ফোরণ সমস্যাটি কাটিয়ে উঠতে নিযুক্ত করা হয়েছিল।

কৃত্রিম নেটওয়ার্কগুলি চালু করা হয়েছিল এবং প্রথম প্রস্তাব করার সময় তারা এলআইএসপি সম্প্রদায়ের দ্বারা উত্পাদনের মেশিনগুলিকে প্রতিদ্বন্দ্বিতা করতে পারে এমন ধারণা ছড়িয়ে পড়েছিল। তবে, কম্পিউটিং সংস্থান বাড়ানোর ক্ষেত্রে যথেষ্ট সাফল্য এবং মেশিন লার্নিংয়ের সাম্প্রতিক অর্জনের প্রসঙ্গে অনেকেই বিংশ শতাব্দীতে আশ্রয় নেওয়া প্রশ্ন জিজ্ঞাসা করতে শুরু করেছেন।

আমরা ইতিমধ্যে জানি যে কৃত্রিম নেটওয়ার্কগুলি নির্বিচারে লজিকাল এবং বীজগণিত ফাংশন শিখতে পারে, যার মধ্যে অনেকগুলি পিএসি শেখার যোগ্য।1 যথাযথ শিক্ষার পরিবেশ দেওয়া, যৌক্তিক অনুক্রম শেখা স্পষ্টতই সেরিব্রাল কর্টেক্স বিবর্তনের বর্তমান সময়ে এটি করতে পারে। নিউরাল নেটওয়ার্কগুলি জ্ঞানের সেই স্তরে পৌঁছাবে কিনা তা অনেকের মনে করা একটি উন্মুক্ত প্রশ্ন।

মূলধারার এআই এবং মেশিন লার্নিং রিসার্চটি লজিক্যাল ইনফারেন্স বিধিগুলির কৃত্রিম নেটওয়ার্ক অধিগ্রহণের দিকে মনোনিবেশ করছে না, মূলত কারণ এটিকে ডিআরুলস এবং অন্যান্য সাধারণ ব্যবহৃত উত্পাদনের মতো সিস্টেমে প্রোগ্রাম করার ফলে মনে হয় যে আরও যুক্তিযুক্ত পদ্ধতির অর্থ এটি সর্বদা থাকবে does প্রশ্নটি হ'ল বিনিয়োগের জন্য পর্যাপ্ত পরিমাণ রিটার্ন রয়েছে কি না তা আকর্ষণীয় তবে অবশ্যই ব্যয়বহুল হতে পারে, যখন অন্য সমাধান ইতিমধ্যে বিদ্যমান রয়েছে।

এই প্রশ্নটি অন্য গণিতের ক্ষেত্রে এআই কতটা ভাল তা নিয়ে আর্টিফিশিয়াল ইন্টেলিজেন্স স্ট্যাক এক্সচেঞ্জ প্রশ্নের অনুরূপ। সেখানে দেওয়া উত্তরগুলির মধ্যে একটি এখানে প্রযোজ্য।

এই সময়ের মধ্যে কোনও দৃষ্টিভঙ্গি বাতিল করা গুরুত্বপূর্ণ নয়, যেহেতু এআইয়ের প্রতি সাম্প্রতিক আগ্রহ কেবল সরকারি ব্যয়কেই নয়, বাণিজ্যিক ব্যয়কেও সরিয়ে দিয়েছে। এই ব্যয়টি কর্মীদের, কম্পিউটিং পাওয়ার এবং বাধাগুলি অতিক্রম করার জন্য উত্সাহ বৃদ্ধি করে যা পূর্বে দুর্গম হিসাবে বিবেচিত হতে পারে।


পাদটিকা

[1] পিএসি লার্নিং হল অনুমিতিগুলির শ্রেণীর বৈশিষ্ট্যগুলি প্রদত্ত মডেল এবং শেখার প্রক্রিয়াটির প্রত্যাশিত নির্ভুলতা এবং আত্মবিশ্বাসের মাধ্যমে শেখা যায় এমন বৈশিষ্ট্য প্রদত্ত অ্যালগরিদমগুলি শেখার ব্যবহারিক গণ্যতা নির্ধারণের জন্য একটি কাঠামো।


1

আপনার ধারণাটি সাধারণভাবে সম্ভব হয় তবে এই সমস্যাটি অন্বেষণ করতে সম্ভবত একটি নিউরাল নেটওয়ার্ক ভুল উচ্চ স্তরের সরঞ্জাম।

একটি নিউরাল নেটওয়ার্কের শক্তি অভ্যন্তরীণ উপস্থাপনাগুলি সন্ধান করা যা আউটপুটগুলিতে ইনপুটগুলি ম্যাপিংয়ের সময় একটি উচ্চ নৈখিক সমাধানের জন্য অনুমতি দেয়। যখন আমরা কোনও নিউরাল নেটওয়ার্ক প্রশিক্ষণ দিই, তখন সেই ম্যাপিংগুলি উদাহরণের পুনরাবৃত্তির মাধ্যমে পরিসংখ্যানগতভাবে শিখতে হয়। এই মডেল যে উত্পাদন করতে থাকে ঢুকান ভাল যখন দেওয়া ট্রেনিং সেট অনুরূপ তথ্য, কিন্তু যে দূরদর্শন খারাপভাবে।

নিউরাল নেটওয়ার্ক মডেলগুলিরও প্রসঙ্গের অভাব নেই, যেমন আপনি যদি একটি জেনারেটরি মডেল ব্যবহার করেন (যেমন বৈধ বা আকর্ষণীয় প্রমাণ তৈরির সিকোয়েন্সগুলিতে প্রশিক্ষিত একটি আরএনএন) তবে এটি সহজেই পরিসংখ্যানগতভাবে আনন্দদায়ক তবে অর্থহীন আবর্জনা তৈরি করতে পারে।

আপনার যা প্রয়োজন তা হ'ল কিছু সাংগঠনিক নীতি যা আপনাকে একত্রিত ফ্যাশনে প্রমাণগুলি অন্বেষণ করতে ও নিশ্চিত করতে সহায়তা করে। আসলে আপনার ধারণার মতো কিছু ইতিমধ্যে একাধিকবার সম্পন্ন হয়েছে, তবে আমি বর্তমানে একটি তথ্য খুঁজে পাচ্ছি না।

প্রমাণগুলির জন্য অনুসন্ধান করে এমন একটি এআই এর মধ্যে আপনাকে নিউরাল নেটওয়ার্ক ব্যবহার করা এর কোনওটিই থামিয়ে দেয় না। গণিতের এআই এর মধ্যে এমন জায়গাগুলি থাকতে পারে যেখানে অনুসন্ধানের জন্য গাইডের জন্য আপনার একটি ভাল উপাচার্য প্রয়োজন - উদাহরণস্বরূপ X এর সাব-প্রুফ ওয়াই সম্ভবত আকর্ষণীয় বা প্রাসঙ্গিক হতে পারে। সম্ভাবনা স্কোর মূল্যায়ন করা হয় এমন কিছু বিষয় যা একটি স্নায়ুর নেটওয়ার্ক একটি বৃহত্তর এআই পরিকল্পনার অংশ হিসেবে কাজ করতে পারেন। এটি কীভাবে স্নায়ুবিক নেটওয়ার্কগুলি সংযুক্তি শিক্ষার সাথে যুক্ত করা হয় তার অনুরূপ।

নীতিগতভাবে নিউরাল নেটওয়ার্কগুলি থেকে আপনার ধারণা সম্পূর্ণরূপে তৈরি করা সম্ভব। সর্বোপরি, মানব যুক্তি জৈবিক নিউরনগুলি ব্যবহার করে একইভাবে কাজ করে এমন সন্দেহ করার ভাল কারণ রয়েছে (এটি প্রমাণিত নয় যে কৃত্রিম ব্যক্তিরা এটি কোনওভাবেই মেলে।) তবে এই জাতীয় ব্যবস্থার আর্কিটেকচারটি কোনও আধুনিক এনএন নকশা বা প্রশিক্ষণ সেটআপের বাইরে। এটি অবশ্যই পর্যাপ্ত স্তর যোগ করার পরে ডেটা খাওয়ানোর বিষয় হবে না।


সর্বোচ্চ কোনও সরঞ্জাম সন্ধান করছে না। তিনি শুরু করেছিলেন, "ভাবুন আমার কাছে সম্পাদনার আগে প্রশ্নে সমস্ত সমস্যা ও প্রমাণের একটি তালিকা রয়েছে।" অত্যধিক সম্পাদনাটি প্রথম শব্দটি লুকিয়ে রেখেছে। তিনি সম্ভাব্যতা সম্পর্কে চিন্তাভাবনা করছেন যা একটি বৈধ গবেষণা কার্যক্রম Research গবেষণাটি সাধারণত শুরু হয় কল্পনা এবং সম্ভাব্যতা। ম্যাক্স কেবলমাত্র তারই নয় যে তাঁর প্রশ্নের গুরুত্বকে স্বীকৃতি দেয়। এমন শত জন আছেন যারা জানেন যে অনুমানের বিধিগুলির প্রয়োগকে অনুকূলকরণের মাধ্যমে প্রমাণ করার জন্য কোনও নেটওয়ার্ক প্রশিক্ষণের কোনও উপায় থাকতে পারে Lear শিখেছে অন্তর্দৃষ্টি।
হাফস্ট্যাডার

@ ফৌরিস্টিয়ান আমি যেটি বর্তমানে জানা কৌশলগুলি ব্যবহার করে অর্জনযোগ্য কিনা এবং বিদ্যমান পদ্ধতিগুলি ব্যবহার করে কীভাবে এই জাতীয় গবেষণা আবার শুরু করা হবে তা হিসাবে "" এটি কি সম্ভব "পড়লাম। আমি একমত যে আরও তাত্ত্বিক কোণ ব্যবহার করে উত্তর দেওয়া সম্ভব। এটি একটি আকর্ষণীয় মেটা প্রশ্ন হতে পারে যে কীভাবে ওপি পার্থক্যটিকে চিহ্নিত করতে পারে এবং আমরা কীভাবে অভিপ্রায়টি নিশ্চিত করতে পারি
নীল স্লেটার

1

আমরা কি জানি

বিশ্বব্যাংকের একটি পৃষ্ঠা অনুসারে , "বর্তমানে বিশ্বে প্রায় 200 মিলিয়ন উচ্চ শিক্ষার শিক্ষার্থী রয়েছেন, 1998 সালে 89 মিলিয়ন up" কমপক্ষে ১০০ জনের মধ্যে একজনকে গণিতের প্রয়োজনীয়তা হিসাবে একটি উপপাদ্যের জন্য একটি প্রমাণ বিকাশ করতে হয়েছিল, এবং কমপক্ষে 40 বছর পরে বাঁচতে হয়েছিল।

যদিও কমপক্ষে 20 মিলিয়ন নিউরাল জাল রয়েছে যা একটি উপপাদ্য প্রমাণ করতে পারে, তবে তারা উদাহরণগুলির তুলনায় কম যা এই প্রশ্নের উত্তরটি ইতিবাচক বলে দেয়। এই নিউরাল নেটওয়ার্কগুলি জৈবিক, কৃত্রিম নয় এবং এগুলি বেশিরভাগই পূর্ব প্রমাণিত উপপাদ্য প্রমাণিত হয়েছে, কোলাটজ অনুমান বা রিমান অনুমান নয়।

কি কিছু বিশ্বাস

যারা বিশ্বাস করেন যে গভীর কিউ-লার্নিং এবং মনোনিবেশ ভিত্তিক ডিভাইসগুলি অন্যান্য মস্তিষ্কের অনুষদগুলি সিমুলেটেড এবং সম্ভবত অতিক্রম না করা পর্যন্ত অন্যান্য শিক্ষাব্যবস্থার নকশাগুলিতে যোগদান করবে, সম্ভবত সেই মানব ক্ষমতার মধ্যে একটি হিসাবে তাত্ত্বিক প্রমাণিত অন্তর্ভুক্ত থাকবে। এগুলি সম্ভবত কৃত্রিম সিস্টেমে অর্জন করা হবে এমন আরও একটি জটিল জ্ঞানীয় ফাংশন হিসাবে ভবিষ্যদ্বাণীপূর্ণ যুক্তি এবং অনুমানকে ঘোষণা করবে।

যারা বিশ্বাস করেন যে কিছু ক্ষমতা মানুষের মধ্যে নিমগ্ন এবং সংরক্ষিত ক্ষমতা, তারা কেবলমাত্র মানুষের জন্য সংরক্ষিত হিসাবে ভবিষ্যদ্বাণীপূর্ণ যুক্তি এবং অনুমানকে ঘোষণা করতে পারে।

বর্তমান অগ্রগতি অবস্থা

ভবিষ্যদ্বাণীপূর্ণ যুক্তি এবং অনুমান ব্যবহার করে এমনকি সহজ প্রমাণগুলিও প্রমাণ করার ক্ষমতা নির্দেশ করে এমন একাডেমিক নিবন্ধ নেই। এটি সম্ভব যে কোনও সরকারী বা বেসরকারী উদ্যোগ কিছুটা সাফল্য অর্জন করেছে, তবে এগুলি প্রকাশ করা হয়নি।

কৃত্রিম নেটওয়ার্কগুলি যদি প্রশংসনীয়ভাবে বিকশিত হয় তবে তাদের উত্পাদন সবচেয়ে বেশি কার্যকরতার ক্ষেত্রে প্রযোজনা বা নিয়মের ভিত্তিতে তৈরি এআই সিস্টেমগুলি ছাড়িয়ে যেতে পারে এআই এর বিকাশের প্রথম দিকে প্রস্তাব দেওয়া হয়েছিল। এটি তখন বিতর্কিত এবং এখন বিতর্কিত ছিল, তবে যুক্তিগুলি গাণিতিক নয়, সুতরাং এটি অসম্ভব যে কোনও শক্তিশালী ইঙ্গিত নেই।

অবশ্যই মানুষের চিন্তার অন্যান্য জ্ঞানীয় দিকগুলি এআই গবেষণার গুরুত্বপূর্ণ লক্ষ্য। কথোপকথন, স্বয়ংক্রিয় শিক্ষা, পরিকল্পনা, কৌশলগত বিশ্লেষণ এবং যানবাহন চালনা এই সমস্ত উচ্চতর চিন্তার দিক যা ডিকিউএন এর চেয়ে বেশি চাহিদা এবং মনোযোগ ভিত্তিক নেটওয়ার্ক পদ্ধতিগুলি সরবরাহ করতে পারে তবে এই ক্ষেত্রে গবেষণা প্রচেষ্টা প্রশংসনীয় এবং ভাল অর্থায়িত।

সম্ভাব্য পন্থা

যৌক্তিক জ্ঞানীয় সক্ষমতার দিকে গবেষণার আগেই জেনে নেওয়া প্রমাণগুলি শুরু করা উচিত, যা প্রশ্নের মধ্যে বর্ণিত অনুমানের চেয়ে অনেক সহজ। উদাহরণস্বরূপ, এটি প্রমাণিত হয়েছে যে দুটি অ-নেতিবাচক পূর্ণসংখ্যার যোগফলটি অবশ্যই অন্য অ-নেতিবাচক পূর্ণসংখ্যার হয়। প্রিডিকেট ক্যালকুলাসে, এটি একটি চরিত্রের স্ট্রিং হিসাবে উপস্থাপিত হতে পারে।

একটিসি,সি:গুলি=একটি+ +গুলিসি

এটি বলে যে a এবং b গণনা সংখ্যার সেটের সদস্য, যে দুটি, এর যোগফল হিসাবে সংজ্ঞায়িত, এছাড়াও গণনা সংখ্যার সেটের সদস্য হতে হবে। এর প্রমাণটি প্রথম-ক্রমের প্রেজিকেট ক্যালকুলাসের চরিত্রের স্ট্রিংগুলির ক্রম হিসাবেও উপস্থাপিত হতে পারে।

কোন ছোট গবেষণা প্রকল্প

এমন উদাহরণ কারও কাছে সহজ বলে মনে হতে পারে যিনি কয়েক বছরের গণিত কোর্স নিয়েছেন এবং প্রমাণ তৈরি করেছেন। কোনও শিশুর পক্ষে এটি সহজ নয় এবং কোনও ক্রিয়াকলাপে রূপান্তরিত করার জন্য একটি কৃত্রিম নেটওয়ার্ক পাওয়া খুব কঠিন, যা যৌক্তিক অনুক্রমের সমস্ত বিধি প্রয়োগ করে এবং একটি পূর্ণাঙ্গ সিস্টেম যেমন যেমন পূর্ণসংখ্যার গাণিতিকের প্রমাণ হিসাবে পৌঁছানোর জন্য মেটা-বিধিগুলিকে অন্তর্ভুক্ত করে।

সম্পূর্ণ নেটওয়ার্ক, যেমন আরএনএন-এর টিউরিংয়ের অবশ্যই এমএলপি (মাল্টিলেয়ার পার্সেপ্ট্রন) এর বেশি সুবিধা থাকবে। মনোযোগ-ভিত্তিক নেটওয়ার্কগুলি যুক্তিসঙ্গত গবেষণা বিকল্প হতে পারে। নীচে রেফারেন্সগুলিতে আরও কিছু নির্দেশিত রয়েছে।

গবেষণার জন্য একটি সমান্তরাল কম্পিউটিং প্ল্যাটফর্মের প্রয়োজন হবে, যেহেতু ইনপুট ভেক্টরটি কয়েকশ কেবিটস হতে পারে। উদাহরণগুলির আকার এবং কতগুলি প্রয়োজন হবে তা গবেষণা প্রক্রিয়ায় এক বা দুই বছর না পেয়ে অনুমান করা কঠিন।

সংখ্যা গণনা সংজ্ঞা, যোগফল চিহ্ন এবং সমান চিহ্নের সংজ্ঞা অবশ্যই সংজ্ঞায়িত করতে হবে এবং সেই সংজ্ঞা এবং বেশ কয়েকটি অ্যাকোরিওম, পোস্টুলেটস, লেমাস এবং করোলারিগুলি অবশ্যই প্রস্তাবের মতো আনুষ্ঠানিক আকারে ইনপুট উদাহরণের অংশ হতে হবে উপরে প্রস্তাবিত পাশাপাশি প্রমাণিত।

এবং এটি কেবল একটি উদাহরণ তৈরি করার কাজ। একটি গভীর নেটওয়ার্কে অনুমানের নিয়ম সম্পর্কে স্বজ্ঞাত জ্ঞান প্রশিক্ষণের জন্য আপনার হাজার হাজার প্রয়োজন। (আমি প্রচলিত তাত্ত্বিক কারণে খুব ইচ্ছাকৃতভাবে শব্দ শব্দটি বেছে নিয়েছি যা ভালভাবে ব্যাখ্যা করতে কমপক্ষে একশ পৃষ্ঠা লাগবে))

এটি কোনও ছোট প্রকল্প নয় যেহেতু উদাহরণস্বরূপ ডেটা সেটটিতে কমপক্ষে কয়েক হাজার কেস থাকতে হবে এবং প্রতিটি ক্ষেত্রে যদিও এটি কিছু তত্ত্ব ভাগ করে নিতে পারে তবে অবশ্যই সেট আপ করতে হবে যাতে প্রস্তাবটি নিখুঁতভাবে গঠিত হয় এবং তত্ত্বের প্রয়োজনীয় অঙ্গও উপস্থাপিত হয় প্রতিটি প্রশিক্ষণের পুনরাবৃত্তি জন্য ইনপুট এ নিখুঁত ফর্ম।

আমার ধারণাটি হ'ল এটি গণিতের সহজ প্রস্তাবগুলির প্রতিক্রিয়া হিসাবে কার্যকর নেটওয়ার্ক প্রমাণ করার জন্য একটি নেটওয়ার্ককে প্রশিক্ষণের জন্য গভীর নেটওয়ার্ক, কনভার্জেনশন, এবং ভবিষ্যদ্বাণীক ক্যালকুলাস সম্পর্কে দশ বছর ধরে সঠিক ধারণা সহ উজ্জ্বল গবেষকদের একটি দল নেবে।

তবে এটি কোনও ছোট অর্জন নয় Small

এটি কারও কাছে একটি অযৌক্তিক প্রচেষ্টা বলে মনে হতে পারে তবে এটি প্রথমবারের মত হবে যে কোনও কম্পিউটার কীভাবে যুক্তিযুক্ত হতে পারে তা শিখিয়েছিল। সক্রেটিসের কোনও জীবকে যৌক্তিক অনুকরণ শেখাতে পৃথিবীর বয়সের নীচে প্রকৃতি লাগল।

লোকেরা ধরে নিয়েছে যেহেতু একটি কম্পিউটার ডিজিটাল সার্কিট দিয়ে তৈরি যা কম্পিউটারগুলি যৌক্তিক বলে ডিজাইনের মাধ্যমে যুক্তি সম্পাদন করে। মজাদার বা অর্থের জন্য হ্যাকিংয়ের চেয়ে গভীর চিন্তা করার প্রবণতা নিয়ে কয়েক দশক ধরে সফ্টওয়্যার বিকাশের চারপাশে থাকা যে কেউ সে আলাদাভাবে জানেন। সতর্কতার সাথে প্রোগ্রামিং করার পরেও কম্পিউটারগুলি যৌক্তিক অনুকরণের অনুকরণ করে না এবং কোনও সালিসী বাগের জন্য তাদের নিজস্ব প্রোগ্রামযুক্ত আচরণটি সংশোধন করতে পারে না। আসলে, সফ্টওয়্যার বিকাশ বেশিরভাগ আজ বাগ ফিক্সিং হয়।

যৌক্তিক চিন্তাকে সিমুলেট করা জ্ঞান এবং মানব ক্ষমতার বিস্তৃত অ্যারের অনুকরণের দিকে এক বড় পদক্ষেপ হবে।


তথ্যসূত্র

জ্যাকব অ্যান্ড্রিয়াস, মার্কাস রোহরবাচ, ট্রেভর ড্যারেল এবং ড্যান ক্লিন ইউসি, বার্কলে ২০১ 2016 https://arxiv.org/pdf/1601.01705.pdf- এর উত্তর দেওয়ার জন্য স্নায়বিক নেটওয়ার্ক রচনা শিখছেন

প্রতিনিধিত্বের একাধিক স্তর শিখছেন জিওফ্রে ই। হিন্টন কম্পিউটার সায়েন্স বিভাগ, টরন্টো ইউনিভার্সিটি ২০০ http:// http://www.csri.utoronto.ca/~hinton/absps/icsdraft.pdf

নিউরাল ট্যুরিং মেশিন (স্লাইডশো) লেখক: অ্যালেক্স গ্রাভস, গ্রেগ ওয়েইন, আইভো দানাহেলকা উপস্থাপন করেছেন: টিঙ্গহুই ওয়াং (স্টিভ) https://eecs.wsu.edu/~cook/aiseminar/papers/steve.pdf

নিউরাল ট্যুরিং মেশিনস (কাগজ) অ্যালেক্স গ্রাভস, গ্রেগ ওয়েইন, আইভো দানিহেলকা https://pdfs.semanticscholar.org/c112/6fbffd6b8547a44c58b192b36b08b18299de.pdf 2014

অতিরিক্ত শিক্ষা সংযোজন, নিউরাল টুরিং মেশিন Wojciech Zaremba, ইলিয়া Sutskever ICLR সম্মেলনে কাগজ https://arxiv.org/pdf/1505.00521.pdf?utm_content=buffer2aaa3&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer 2016

অবিচ্ছিন্ন এবং স্বতন্ত্র ঠিকানা সম্বোধনকারী গতিশীল নিউরাল ট্যুরিং মেশিন ক্যাগলার গুলচেরে 1, সারথ চন্দর 1, কিংঘুন চো 2, যোশুয়া বেনজিও 1 https://arxiv.org/pdf/1607.00036.pdf 2017

একটি অন-লাইন সেলফ-কনস্ট্রাক্টিং নিউরাল ফাজি, ইনফারেন্স নেটওয়ার্ক এবং এর অ্যাপ্লিকেশনগুলি চিয়া-ফেং জুয়াং এবং চিনি-টেং লিন আইইইই লেনদেনগুলি ফাজি সিস্টেমে, v6, n1 1998 https://ir.nctu.edu.tw/bitstream/11536/ 32809/1 / 000072774800002.pdf

গ্যাটেড গ্রাফ সিকোয়েন্স নিউরাল নেটওয়ার্ক ইউজিয়া লি এবং রিচার্ড জেমেল আইসিএলআর সম্মেলন পত্র ২০১ htt https://arxiv.org/pdf/1511.05493.pdf

বিল্ডিং মেশিনগুলি যা লোকেদের মতো শিখেছে এবং চিন্তা করে ব্রেন্ডেন এম লেক, টোমর ডি। উলমান, জোশুয়া বি টেনেনবাউম, এবং স্যামুয়েল জে গার্মম্যান বিহেভিওরাল অ্যান্ড ব্রেন সায়েন্সেস ২০১ htt https://arxiv.org/pdf/1604.00289.pdf

বৃহত্তর শব্দভাণ্ডার স্পিচ সনাক্তকরণের জন্য প্রসঙ্গ-নির্ভরশীল পূর্ব-প্রশিক্ষিত গভীর নিউরাল নেটওয়ার্ক জর্জ ই ডাহল, ডং ইউ, লি দেং, এবং অ্যালেক্স এসেরো আইইইই লেনদেন অডিও, স্পিচ এবং ভাষা প্রক্রিয়াজাতকরণ ২০১২ https://s3.amazonaws.com/ academia.edu.documents / 34691735 / dbn4lvcsr-transaslp.pdf? AWSAccessKeyId = AKIAIWOWYYGZ2Y53UL3A & মেয়াদ শেষ = 1534211789 & স্বাক্ষর = 33QcFP0JGFeA% 2FTsqjQZpXYrIGm8% 3D & প্রতিক্রিয়া-সামগ্রী-স্বভাব = ইনলাইন% 3B% 20filename% 3DContext-Dependent_Pre-Trained_Deep_Neura.pdf

জ্ঞান ভিত্তিতে বিসান ইয়াং 1, ওয়েন-তাউ ইহি 2, জিয়াডং হে 2, জিয়ানফেং গাও 2, এবং লি ডেনজি 2 আইসিএলআর সম্মেলনের পেপার 2015 https://arxiv.org/pdf/1412.6575.pdf এ এম্বেডিং সত্তা ও সম্পর্কের এম্বেডিং

ডিপ বিশ্বাসের জন্য একটি দ্রুত শিক্ষার অ্যালগরিদম জেফ্রি ই হিন্টন, সাইমন ওসিন্দরো, ইয়ে-হোয়ে তেহ (ইয়ান লে কুন দ্বারা যোগাযোগ করেছেন) নিউরাল কম্পিউটেশন 18 2006 http://axon.cs.byu.edu/Dan/778/papers/Dip % 20 নেটওয়ার্ক / হিন্টন 1 * .পিডিএফ

এফআইএনএন: দ্রুত, স্কেলেবল বাইনারাইজড নিউরাল নেটওয়ার্ক ইনফারেন্সের জন্য ফ্রেমওয়ার্ক ইয়ামান উমুরোগলু, এট ২০১ 2016 https://arxiv.org/pdf/1612.07119.pdf

মেশিন লার্নিং থেকে মেশিন রিজনিংয়ে লোন বোটোউ 2/8/2011 https://arxiv.org/pdf/1102.1808.pdf

গভীর শেখার ইয়ান লেকুন 1,2, যোশুয়া বেনজিও 3 এবং জেফ্রি হিন্টন 4,5 প্রকৃতি খণ্ড 521 2015 https://www.evl.uic.edu/creativecoding/courses/cs523/slides/week3/DipLearning_LeCun.pdf


-1

এটি সম্ভব, তবে সম্ভবত একটি ভাল ধারণা নয়।

যৌক্তিক প্রমাণ এআই এর প্রাচীনতম অঞ্চলগুলির মধ্যে একটি, এবং উদ্দেশ্যমূলকভাবে তৈরি কৌশলগুলি রয়েছে যা প্রশিক্ষণের দরকার নেই, এবং এটি নিউরাল-নেটওয়ার্ক পদ্ধতির চেয়ে নির্ভরযোগ্য যেহেতু তারা পরিসংখ্যানগত যুক্তির উপর নির্ভর করে না since , এবং পরিবর্তে গণিতবিদ এর বন্ধু ব্যবহার করুন: অনুমানযোগ্য যুক্তি।

মূল ক্ষেত্রটিকে " অটোমেটেড উপপাদ্য প্রমাণ " বলা হয় এবং এটি যথেষ্ট পুরানো যে এটি গবেষণা অঞ্চল হিসাবে কিছুটা গণনা করা হয়েছে। এখানে প্রচুর নতুনত্ব নেই, তবে কিছু লোক এখনও এতে কাজ করে।

মূল ধারণাটি হচ্ছে যে উপপাদ্য প্রমাণটি কেবল শাস্ত্রীয় বা তাত্পর্যপূর্ণ গাইডেড অনুসন্ধান: আপনি গ্রহণযোগ্য প্রাঙ্গনের একটি সেট সমন্বিত একটি রাষ্ট্র থেকে শুরু করেন। তারপরে আপনি নতুন প্রাঙ্গণ তৈরি করতে অনুমানের যে কোনও বৈধ লজিক্যাল নিয়ম প্রয়োগ করেন যা অবশ্যই সত্য হতে হবে, আপনার যে জ্ঞানের সেটটি প্রসারিত করবে। অবশেষে, আপনি প্রস্থের প্রথম সন্ধান বা পুনরাবৃত্তিমূলক গভীরতার মতো গুণগত অনুসন্ধানের মাধ্যমে বা ডোমেন-নির্দিষ্ট হিউরিস্টিক সহ এ * এর মতো কোনও কিছুর মাধ্যমে পছন্দসই প্রমাণটি প্রমাণ করতে পারেন । প্রচুর সলভার কেবল একটি যৌক্তিক নিয়ম ( একীকরণ) ব্যবহার করে ) ব্যবহার করে কারণ এটি সম্পূর্ণ, এবং অনুসন্ধানের ব্রাঞ্চিং ফ্যাক্টরকে হ্রাস করে।


এখনও এটিতে কাজ করা লোকের অভাব উদ্ভাবনের অভাবের কারণ হতে পারে। আমাদের এত তাড়াতাড়ি ম্যাক্সকে অসন্তুষ্ট করা উচিত নয়, বিশেষত যেহেতু এলআইএসপি-র প্রথম দিনগুলিতে স্বয়ংক্রিয় তাত্ত্বিক প্রমাণ প্রমাণিত কাজ বর্তমান উপলব্ধ প্রযুক্তির বিস্তৃত বিন্যাস প্রয়োগ করে না। কেন? এটি আমি অন্য মন্তব্যে বললাম। প্রোডাকশন সিস্টেমের লোকেরা বোধগম্য লোকের সাথে খুব বেশি যোগাযোগ করেনি। সেখানে অপমান করা হয়েছিল, তবে জড়িত বিশ্ববিদ্যালয়গুলি তাদের জনসাধারণের দৃষ্টিভঙ্গি থেকে সরিয়ে দিয়েছে।
ফক্রিস্টিয়ান
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.