Búsqueda · 21 momentos en 9 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetred 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 RobiscoResNetLIGOVirgoKAGRAChina
Redes Neuronales aprenden observando ejemplos
Con
0:000:301:001:302:002:303:12
Sara Robisco explica cómo los investigadores están desarrollando una red neuronal que no aprende la solución directamente, sino el error o residuo entre la solución verdadera y la observación.
…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 #2
Sara Robisco explica el objetivo del sistema de redes neuronales, que consiste en obtener una serie de valores para determinar la posición, spin y masas de los objetos involucrados, imitando el análisis realizado por una persona.
Habla: Sara RobiscoPalabras #14red neuronal valores posición spin masasanálisis persona datos objetosresnet premisa aprendizaje capaserror aumento redes neuronales capastasa error red neuronal chinared neuronal problema chino…de pre-compresión previa, un filtro. ¿Qué hacen? Esta señal la dividen en tres señales, en varias señales por sus frecuencias, la separan en frecuencia. y luego aplicar un algoritmo de compresión para reducirla lo máximo posible sin perder información. ¿Por qué? Porque el objetivo de nuestra red neuronal es devolvernos un churro de valores en los que vamos a separar nosotros encontrando la posición, el spin, masas, todos los datos que sacaría una persona analizando bien. Esto lo tiene que sacar de la red neuronal. ¿Y por qué una ResNet? Pues una ResNet parte de una premisa y es: ¿Una red neuronal si añadimos más capas va a aprender mejor? Bueno pues en 2016 teníamos un problemón y es que Se sabía que era falso, no porque 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…
Sara Robisco explica cómo los investigadores están desarrollando una red neuronal que no aprende la solución directamente, sino el error o residuo entre la solución verdadera y la observación.
Habla: Sara RobiscoSignificado #1 · Palabras #2red 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…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…