Deep Learning ha evolucionado, sigue evolucionando y probablemente continuará evolucionando.
El aprendizaje profundo puede ir en la dirección de Supermatemáticas, o Superespacio euclidiano, porque hay:
- ¿Cómo se infiere la distribución posterior marginal?
- Desde la perspectiva de la ciencia de datos, ¿qué salió mal al predecir las elecciones presidenciales de 2016 en los Estados Unidos?
- ¿El aprendizaje automático o los algoritmos de aprendizaje se pueden aplicar a problemas de optimización?
- ¿Es posible usar bibliotecas de aprendizaje automático OpenCV para aplicaciones que no son de visión por computadora?
- ¿Qué es la divergencia contrastante?
(1) Evidencia de que el cerebro realiza alguna forma de operación supersimétrica.
(2) La realidad de que el Aprendizaje profundo usa las reglas de la ciencia cognitiva en el vecindario de (1) para vincular modelos de alguna manera, como cómo Deepmind limita algunos de sus modelos en términos de ciertas reglas de la ciencia cognitiva.
▼
▼
Supermatemáticas y una hipótesis experimental :
Por ejemplo, basado en la máquina Quantum Boltzmann y el aprendizaje de refuerzo cuántico , (Vea el video de la máquina Quantum Boltzmann) organicé una hipótesis simple para implementar Deep Learning en Euclidean Superspace, en una computadora cuántica (es decir, el sistema Dwave).
Vea una descripción clara de la hipótesis: Supermatemáticas e Inteligencia Artificial General
Ver la hipótesis: Curvatura del pensamiento: una hipótesis subivativa
Vea una discusión sobre la hipótesis, en un tablero de ciencias aquí (que conduce a una conversación con una persona que parece hacer física de partículas aquí).
▽
▽
Notación 1 – Aprendizaje múltiple : [matemáticas] \ phi \ big (x, \ theta \ big) ^ {\ top} w [/ matemáticas] (Bengio et al)
Notación 2: Aprendizaje supermanifold : [matemáticas] \ phi \ big (x; \ theta, \ bar {{\ theta}} \ big) ^ {\ top} w [/ math] (Jordan Bennett)
Si bien el aprendizaje profundo tradicional puede implicar un aprendizaje múltiple, mi trabajo se refiere al aprendizaje supermúltiple, como se ve brevemente en las diferencias de notación anteriores.
Notablemente, la hipótesis implica una forma probable de ejecutar Deep Learning, en el régimen del Superespacio euclidiano, al generalizar desde la operación hamiltoniana Transverse Field Ising Spin que se ve en el video de Quantum Boltzmann Machine, a alguna forma de secuencia (Super-) hamiltoniana :
▼
▼
Nota de pie de página – limitaciones de la hipótesis experimental mencionada anteriormente :
Aunque la hipótesis es menor particularmente en su descripción simple (que acepta SQCD) en relación con la Inteligencia General Artificial, delinea de manera crucial que las matemáticas de los supermanifolds son razonablemente aplicables en el Aprendizaje Profundo, impartiendo ese trabajo innovador de Aprendizaje Profundo que tiende a considerar los límites en lo biológico cerebro, al tiempo que subraya que los cerebros biológicos pueden evaluarse de manera óptima mediante operaciones supersimétricas.