Опубликовано фото
2 недели назад
• Вы подписаны
Русь
144
подписчика
Я являюсь создателем нового научного направления в исторической науке - цифровой истории с ведущим методом S^3-стек, который позволил создать мне гиперхронологию. Ищу друзей, кому тоже интересно это направление. Пишите
Я являюсь создателем нового научного направления в исторической науке - цифровой истории с ведущим методом S^3-стек, который позволил создать мне гиперхронологию. Ищу друзей, кому тоже интересно это направление. Пишите
2 недели назад
• Вы подписаны
Теперь это моя рутина: "ОТЧЁТ — C6 закрыт положительно: обучение на внешнем корпусе измерено на held-out
". Вот цифры из отчёта об обучении, подтверждающие статистически значимое улучшение качества работы. * \Deltaaccuracy +0.0092: Общая доля правильных ответов выросла незначительно — примерно на +0.92%. * \DeltaF1 +0.4527: Качество классификации с учётом баланса точности и полноты (F1-мера) выросло драматически — на +45.27%. Такой сильный разрыв между Accuracy и F1 обычно бывает на несбалансированных данных, когда модель наконец научилась корректно находить редкий целевой класс, а не просто предсказывать преобладающий. * МакНемар с поправкой на непрерывность: Парный статистический тест (тест Мак-Немара),...
2 недели назад
• Вы подписаны
Для нейросетевой модели обучаемое состояние — параметрический вектор или набор тензоров
: θt∈Rd, а обучение имеет форму θt+1=θt−η∇θL(θt;Dt). В GALO такого объекта нет: ΘGALOlearned=∅ Обучаемое состояние — явный Атлас: At=(Ut,Ft,Πt,Ct,Rt), где: Ut — идентифицируемые единицы мира; Ft — контекстные многоместные фреймы отношений; Πt — явные исполнимые программы; Ct — проверенные переиспользуемые структуры; Rt — квитанции, счётчики и порядки поиска. Обновление имеет не градиентную, а структурную форму: At+1=VerifiedUpdate(At,et), при инвариантах Kt+1=Kt,Vt+1=Vt,ΘGALOlearned=∅...
2 недели назад
• Вы подписаны
Наиболее точная краткая формулировка
Академическая GALO — архитектура с явным представлением отношений и верификационным допуском решений. Её каноническое состояние мира образовано типизированными контекстно-локальными многоместными фреймами, скобочными программами и доказательными квитанциями, а не скрытым параметрическим состоянием, имеющим право непосредственно авторизовать результат. Сравнительная LLM представляет закономерности преимущественно распределённо в обученных параметрах. GALO представляет конкретное рассуждение явно — как фрейм отношений, исполнимую программу и проверяемый маршрут. Совсем краткая LLM скрывает отношения в параметрах...
2 недели назад
• Вы подписаны
GALO — принципиально новый вид искусственного интеллекта без обучаемых весов и обратного распространения ошибки
Вместо скрытого параметрического состояния он обучает явный Атлас отношений, проверенных структур и воспроизводимых маршрутов. Первый коммерческий продукт этой архитектуры — подтверждение промышленных решений.
