Довольно часто приходится слышать от весьма умных и уважаемых мною людей об их довольно скептическом отношении к междисциплинарным исследованиям.
Будучи убежденным сторонником таких исследований, продолжаю (как вещий Олег 😃) гнуть свою линию.
Вот прекрасный пример — одна из самых-самых актуальных проблем современной науки и технологий, пока что не решаемая ни одной из этих наук и технологий — проблема извлечения смыслов из зашумленных Больших данных (привет от «Гласа Господа» Лема)
Еще 5 лет назад я писал об этом, как проблеме №1, в своей статье «Долой Шерлока Холмса! Как победить на рынке Big Data».
За прошедшие годы проблема стала лишь гораздо острее.
И самые оригинальные и перспективные её решения — междисциплинарные.
Например, решение на стыке физики, компьютерных наук и математики, предлагаемое проф. Кристофером Муром, вот уже много лет работающим над применением аппарата фазовых переходов в задачах поиска и оптимизации.
На 1й взгляд, предлагаемый Муром подход, — какая-то фантастика и эзотерика.
Мур предполагает, что сети могут подвергаться фазовым переходам, переводящим их от порядка к беспорядку, подобно тому, как расплавляется лед или размагничивается железо.
При низких температурах магнитные поля атомов железа, в основном, ориентированы в одном направлении. Но стоит поднять температуру до определенного предела, и магнитная сила железа резко упадет до нуля.
Эта аналогия, по заключению Мура, распространяется и на сети. Имея достаточную информацию о связях каждого из узлов с другими узлами, — сеть может быть легко классифицирована на группы аналогичных элементов (кластеров).
Но если в сети увеличивается уровень шума из-за добавления узлов с неполной информацией о соединениях или непредсказуемыми соединениями, то, в конечном итоге, этот шум подавляет сигнал.
И в этом причина того, почему становится невозможным или крайне маловероятным найти осмысленные паттерны.
Предлагаемый Муром метод может помочь выявлять разницу между реальными и иллюзорными паттернами.
Дело в том, что все большее число областей работы с Большими данными начинают рассматривать их, как обширные сети данных.
Исследователи ищут в этих сетях паттерны и связи, которые могут помочь решить конкретные проблемы: остановить хакеров, увеличить выживаемость, улучшить коммуникацию.
Но есть проблема. Шум в высокоразмерных наборах данных легко затушевывает реальные корреляции. А это ведет к выявлению иллюзорных паттернов, которые ничего не значат (подробней см. в упомянутой ранее статье про Шерлока Холмса).
Все усугубляется тем, что люди очень хорошо выявляют (как им кажется) паттерны, даже там, где их нет, а есть только шум. И в результате растет тенденция к «ложным срабатываниям».
А нейронные сети глубокого обучения лишь усугубляют ситуацию, поскольку способны выявлять паттерны даже там, где их не видят люди (вы наверняка видели всякие чудные картинки, как сеть «видит», например, кисок среди фото цветов или наоборот).
Каким образом применение аппарата статистической физики для выявления фазовых переходов может помочь поиску паттернов в зашумленных данных, — в следующей 2х частной видеолекции Мура (2 по 1 часу): https://goo.gl/xUE9Ey https://goo.gl/rm1WtN .
А здесь:
— про все его работы (коих несколько сотен)
— фантастически интересную книгу «Природа вычислений» (тысячестраничный улет — будто фиолетовых грибов наешься 😃)
— про крышесрывательный Youtube канал Мура «Музыка + Математика» о переплетении языков музыки и математики у Баха и Бетховена, а также о математических открытиях и приложениях от Муга и Терменвокса
— ну и конечно, про кошку по имени Споути, без которой ничего из всего вышеназванного у Мура бы не получилось
Короче, интеллектуальный кайф на все выходные обеспечен.
_________________________
Хотите читать подобные публикации? Подписывайтесь на мой канал вТелеграме, Medium, Яндекс-Дзене
Считаете, что это стоит прочесть и другим? Дайте им об этом знать, кликнув на иконку “понравилось”.
