3

Модель адаптивного Роя в задаче Консенсуса плотности

Серия Моделирование Роя Биоагентов

Как рой агентов находит истину без главного? 2500 простых программных единиц достигают 100% консенсуса, используя только локальные сплетни!

Вы когда-нибудь задумывались, как стая птиц или муравьиная колония принимают коллективные решения без единого лидера?

В этом видео мы погрузимся в мир распределенных систем и смоделируем, как рой агентов, видящих только своих ближайших соседей, может решить задачу консенсуса. Мы откажемся от градиентных спусков и вместо этого применим принципы, вдохновленные нейрофизиологией — Обучение Хебба.

Вы этом выпуске:

  • Механика "Роя": Как бинарные агенты (Черный/Белый) принимают решения, основываясь на взвешенном мнении соседей.

  • Самообучение: Увидите, как агенты динамически меняют "доверие" (веса) к другим, усиливая связи с теми, кто прав, и игнорируя "шум".

  • Фазовый переход: Наблюдайте в реальном времени, как хаос (51% консенсуса) превращается в абсолютный порядок (100%) через лавинообразный процесс.

  • Устойчивость: Почему децентрализованные системы самоисцеляются и как они справляются с "дефектными" агентами, чего не всегда удается добиться в централизованных моделях.

Здесь не только теория — но и запуск симуляции на сетке 50x50, где мы проследим хронологию победы коллективного разума. Если вам интересно, как простые локальные правила порождают сложное, адаптивное и устойчивое поведение - смотрите видео.

Код модели можно посмотреть здесь
В том же каталоге текстовая затравка (spec.txt) для генерации кода анимации и сам сгенерированный код анимации.

Искусственный интеллект

6.2K постов12.1K подписчиков

Правила сообщества

ВНИМАНИЕ! В сообществе запрещена публикация генеративного контента без детального описания промтов и процесса получения публикуемого результата.


Разрешено:


- Делиться вопросами, мыслями, гипотезами, юмором на эту тему.

- Делиться статьями, понятными большинству аудитории Пикабу.

- Делиться опытом создания моделей машинного обучения.

- Рассказывать, как работает та или иная фиговина в анализе данных.

- Век жить, век учиться.


Запрещено:


I) Невостребованный контент

  I.1) Создавать контент, сложный для понимания. Такие посты уйдут в минуса лишь потому, что большинству неинтересно пробрасывать градиенты в каждом тензоре реккурентной сетки с AdaGrad оптимизатором.

  I.2) Создавать контент на "олбанском языке" / нарочно игнорируя правила РЯ даже в шутку. Это ведет к нечитаемости контента.

  I.3) Добавлять посты, которые содержат лишь генеративный контент или нейросетевой Арт без какой-то дополнительной полезной или интересной информации по теме, без промтов или описания методик создания и т.д.


II) Нетематический контент

  II.1) Создавать контент, несвязанный с Data Science, математикой, программированием.

  II.2) Создавать контент, входящий в противоречие существующей базе теорем математики. Например, "Земля плоская" или "Любое действительное число представимо в виде дроби двух целых".

  II.3) Создавать контент, входящий в противоречие с правилами Пикабу.


III) Непотребный контент

  III.1) Эротика, порнография (даже с NSFW).

  III.2) Жесть.


За нарушение I - предупреждение

За нарушение II - предупреждение и перемещение поста в общую ленту

За нарушение III - бан

0
Автор поста оценил этот комментарий

Но при чем тут роевый интеллект тогда? Зачем им получать сигналы от соседей, если ты просто грузишь картинку на матрицу и используешь глобальное подкрепление?

раскрыть ветку (1)
0
Автор поста оценил этот комментарий

Ну может я тут и переоценил роль диффузии данных при межагентном взаимодействии. Сделал опыт, где после обучения в двух режимах распознает. С диффузией данных между агентами и без него. Если бы это было существенное влияние, то точность красного режима бы просела после обучения. А так ему все-равно. Обучился как перцптрон и на этой точности работает.

Иллюстрация к комментарию
показать ответы
0
Автор поста оценил этот комментарий

Но при чем тут роевый интеллект тогда? Зачем им получать сигналы от соседей, если ты просто грузишь картинку на матрицу и используешь глобальное подкрепление?

раскрыть ветку (1)
0
Автор поста оценил этот комментарий

Так агенты обучаются и вырабатывают мнение о заданной цифре через взаимодействие между собой. Они посажены каждый в свой пиксель и обмениваются данными только с соседями и на каждой итерации соображают какая цифра сейчас отображается в их мире. Это почти также как в задаче про черное/белое, но здесь агенты пытаются определеть цифру и у каждого 10мерный вектор вероятностей, который выражает мнение агента о том какая цифра в его мире сейчас. Поэтому и рой остается, а они научаются определять какая цифра через взаимодействие друг с другом. К тому же это вполне биологично потому что глобальное подкрепление на этапе обучения аналог гормонального воздействия (дофамин + /кортизол - ). Когда они научились, то можно и не давать подкрепление - на новых фотках цифр они определяют правильно только через локальное общение с той вероятностью до которой научились.

0
Автор поста оценил этот комментарий

Такая концепция вообще не подходит для распознования чего-либо, мне кажется. Поскольку их основная функция - менять состояние, в зависимости от состояния соседей, не применима к поиску паттернов.

раскрыть ветку (1)
0
Автор поста оценил этот комментарий

Если добавить глобальное подкрепление (аналог гормона дофамин/кортизол), то подходит. Получилось сделать распознаватель цифр MNIST. Это максимально простая модель, где агенты смотрят только на соседей и имеют сигнал глобального подкрепления и плюс еще маленькая хитрость. Точность быстро доходит до 80% и потом меееедленно долазит до 90 и там походу потолок. Ну или надо исхищряться с лернинг рейтом, чтобы что-то лучше выжать. Это математический эквивалент может быть однослойного перцептрона.

показать ответы
0
Автор поста оценил этот комментарий

А задачи вроде распознавания мужское лицо или женское можно таким образом реализовать? И как вообще тут быть с обучением? С сохранением "опыта".

раскрыть ветку (1)
0
Автор поста оценил этот комментарий

Вроде можно, но не прям таким же, а через swarm lerning делают как-то. Пока не разобрался как именно. И результат не дотягивает по точности до того, что получают на нейросетях. Там разница проценты точности. Про перекрашивание цвета - это совсем простая задача и сложно применить этот подход к другим задачам без существенных изменений. Хочу сам попробовать распознавание образов роем простых агентов. Сначала на MNIST (цифры). Ну и да, пока не понимаю как вообще целевую функцию задать агентам, чтобы они так самоорганизовались что аж начали классифицировать фотки.

показать ответы
0
иннах
Автор поста оценил этот комментарий

твой пост для понедельника - самое то!

раскрыть ветку (1)
0
Автор поста оценил этот комментарий

Ага, как раз успеваешь подготовиться за выходные!

Темы

Политика

Теги

Популярные авторы

Сообщества

18+

Теги

Популярные авторы

Сообщества

Игры

Теги

Популярные авторы

Сообщества

Юмор

Теги

Популярные авторы

Сообщества

Отношения

Теги

Популярные авторы

Сообщества

Здоровье

Теги

Популярные авторы

Сообщества

Путешествия

Теги

Популярные авторы

Сообщества

Спорт

Теги

Популярные авторы

Сообщества

Хобби

Теги

Популярные авторы

Сообщества

Сервис

Теги

Популярные авторы

Сообщества

Природа

Теги

Популярные авторы

Сообщества

Бизнес

Теги

Популярные авторы

Сообщества

Транспорт

Теги

Популярные авторы

Сообщества

Общение

Теги

Популярные авторы

Сообщества

Юриспруденция

Теги

Популярные авторы

Сообщества

Наука

Теги

Популярные авторы

Сообщества

IT

Теги

Популярные авторы

Сообщества

Животные

Теги

Популярные авторы

Сообщества

Кино и сериалы

Теги

Популярные авторы

Сообщества

Экономика

Теги

Популярные авторы

Сообщества

Кулинария

Теги

Популярные авторы

Сообщества

История

Теги

Популярные авторы

Сообщества

Недвижимость и ремонт

Теги

Популярные авторы

Сообщества