Обзор конференций Artificial general intelligence, AGI Safety & Impacts AGI’12 @ Oxford

Метод принятия решений на основе интеграции распознавания образов и моделирования стохастической среды
 
В.А. Анисимов, к.т.н.

Использование в той или иной форме модели мира является одним из основных атрибутов как живых, так и искусственных интеллектуальных систем, ибо управление можно осмысленно реализовывать лишь на основе возможности предсказания последствий тех или иных действий системы. Возможны различные подходы и концепции к реализации этой задачи, однако, представляется важным, что бы единая концепция могла быть использована для максимально широкого круга задач, ибо это существенно сокращает ресурсные расходы на создание такого рода систем. С этой точки зрения представляется достаточно перспективным подход, применённый нами впервые для задачи распознавания рукописного текста, который, с моей точки зрения, может быт обобщён на гораздо более широкий круг приложений.

(Два доклада)
1. Базовые принципы естественного интеллекта и их эволюционное развитие
2. Моделирование мозга человека

Рассматриваются свойства биологических нейронов, отсутствующие у классических формальных нейронов (ФН). Указывается на наличие у нейрона "собственного" времени, на необходимость его рассмотрения не как взвешенного сумматора, а частотно-импульсного модулятора, на необходимость включения моделей динамических синапсов. Указывается на важность эффекта "синапс на синапсе", являющегося значимым фактором пластичности; целесообразность расширения модели ФН "ядром", в котором собираются его параметры.

Суперкомпиляция и искусственный интеллект

Искусственные когнитивные системы в робототехнике

Раскрыты конструктивные рамки интеллекта и предложены его признаки. На базе этих признаков рассмотрен схематичный пример использования ии-системы на биржевых рынках. Предложены уровни моделирования: система в целом, функциональный модуль, слой модуля, узел (нейрон). Раскрыта архитектура верхнего уровня ии-системы, состоящая из анализаторов, селекторов, компараторов и др. модулей. Рассмотрена архитектура функционального модуля на примере анализатора среды. Предложена неравновесная модель узла. Обоснован выбор ряда модификаций, отличающих предлагаемую модель узла (нейрона) от существующих.

Обзор конференций по анализу изображений и распознаванию образов

Проблема индукции, универсальность нейронных сетей, базис нелинейной динамики

Краткое содержание доклада:
1. Проблема индукции
1.1 Рассмотрение на примере задачи функциональной аппроксимации
1.2 Проблема критерия и пространства моделей
1.3 Алгоритмически полные пространства моделей и критерий их качества
1.4 Проблема поиска и представления моделей
2 Искусственные нейронные сети в индукции
2.1 ИНС – универсальные аппроксиматоры?
2.2 Эквивалентность ИНС и универсальной машины Тьюринга
2.3 ИНС как частное алгоритмическое представление моделей
2.4 Расширения ИНС
3 Разработка представления моделей на основе динамических ИНС
3.1 Динамические ИНС как генеративные модели
3.2 Функциональный базис линейных динамических ИНС
3.3 Оптимизация архитектуры ИНС по критерию минимальной длины описания
3.4 Введение нелинейности как расширение множества представимых закономерностей: оптимизация по критерию репрезентационной МДО
4 Примеры приложений динамических ИНС
4.1 Предсказание временных рядов
4.2 Обучение системы управления роботом
4.3 Заключение: проблема реконструкции фазового портрета

Автопоэзис, искусственный интеллект и когнитивные науки

Зрительная подсистема мозга:
Фокусировка глаза и способ исправления близорукости;
Цветовая калибровка глаза и пороки светодиодных светильников;
Цветовая теория Гете

1. Кратковременная моторная память человека
1.1 Методика исследования.
1.2 Динамика ошибок кратковременной моторной памяти человека при долговременном обучении и заучивании.
1.2.1 Ошибки положения и направления.
1.2.2 Повторные ошибки.
2. Нейронные сети класса гетероассоциативная память.
2.1 Общие принципы функционирования.
2.2 Варианты обучения нейросетей.
3. Нейросетевая модель кратковременной памяти человека.
3.1 Схема модели.
3.2 Обучение модели с помощью алгоритма QLBAM.
3.3 Результаты модельных экспериментов.

Методы динамической обработки данных в оптической когерентной томографии на основе их представления в пространстве состояний

Содержание доклада.

1. Тенденции в области компьютерного зрения по материалам симпозиума "Defense, security and sensing 2010".
2. Проблема обучения и индуктивного вывода.
3. Байесовский критерий выбора гипотез.
4. Принцип минимальной длины описания.
5. Проблема анализа изображений как пример задачи индуктивного вывода.
6. Проблема выбора представлений изображений в системах компьютерного зрения. «Сильное» обучение как автоматический выбор представлений.
7. Принцип репрезентационной минимальной длины описания.
8. Примеры обучения в задачах сегментации и выбора локальных признаков как адаптации к предметной области.