Búsqueda · 33 momentos en 22 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribeterror observación solución verdadera entradaredes neuronales investigadores sara robiscoecuación inversión solución verdaderared neuronal aprende error observaciónsubredes capas suma entradafunción error menos entradaresnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutronesSara RobiscoResNetLIGOVirgoKAGRAGastón Giribet
Error observación solución verdadera entrada
Con
0:000:301:001:302:002:303:12
Sara Robisco explica una idea propuesta por investigadores para mejorar el rendimiento de las redes neuronales, buscando igualar el error de la observación con la solución verdadera menos la entrada.
…a más capas la red sobreaprenda sino porque cuando tú le añades más capas tu error aumenta; empieza a aumentar la tasa de error de la red neuronal y dices: ostras, empieza a fallar y esto era un problemón y a unos chinos, porque esta red neuronal es china. Se les ocurrió una maravillosa idea y es, vale, la solución que queremos observar; que nosotros queremos obtener es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros necesitamos, a la solución verdadera, menos la entrada, ¿verdad? Vale, y si cogemos esta ecuación, la damos la vuelta. Y decimos la función de lo que nosotros queremos observar es el error menos la entrada. Dices: oye, qué simple, qué fácil. ¿Y esto cómo se consigue en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han…
Significado #1 · Palabras #1
Sara Robisco explica una idea propuesta por investigadores para mejorar el rendimiento de las redes neuronales, buscando igualar el error de la observación con la solución verdadera menos la entrada.
Habla: Sara RobiscoSignificado #1 · Palabras #1error observación solución verdadera entradaredes neuronales investigadores sara robiscoecuación inversión solución verdaderared neuronal aprende error observaciónsubredes capas suma entradafunción error menos entradaresnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutrones…a más capas la red sobreaprenda sino porque cuando tú le añades más capas tu error aumenta; empieza a aumentar la tasa de error de la red neuronal y dices: ostras, empieza a fallar y esto era un problemón y a unos chinos, porque esta red neuronal es china. Se les ocurrió una maravillosa idea y es, vale, la solución que queremos observar; que nosotros queremos obtener es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros necesitamos, a la solución verdadera, menos la entrada, ¿verdad? Vale, y si cogemos esta ecuación, la damos la vuelta. Y decimos la función de lo que nosotros queremos observar es el error menos la entrada. Dices: oye, qué simple, qué fácil. ¿Y esto cómo se consigue en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han…
Gastón Giribet explica cómo la secuencia en la que se detectan los neutrinos y las señales electromagnéticas depende de la naturaleza del evento que las emite.
Habla: Gastón GiribetPalabras #16neutrinos señales electromagnéticas eventoerrores sistemáticos observación neutrinosdesconocimiento proceso físico emisiones…no van más rápido que la luz a pesar de lo que diga algún tipo de ópera Entonces uno ve antes los neutrinos porque el sub-evento, en este caso una supernova, ocurrió primero la emisión de neutrinos y después la copiosa emisión electromagnética O sea que Depende de la naturaleza del evento que emite en electromagnéticos y en neutrinos; uno va a ver una señal un poquito antes que la otra. Entonces todo esto introduce errores ya sistemáticos, errores de observación, errores del desconocimiento del proceso físico o sus detalles que pudieron haber dado origen a estas emisiones, pero bueno, lo que se observó en este. Caso es que uno de los eventos más, no el más energético, pero creo que el tercero o cuarto más energético que Ice Cube haya detectado en los últimos 10 años: es decir, un neutrino de 4 peta electronvoltios, es una brutalidad. Los neutrinos son partículas que…