来自1976，Hinton写的第一篇论文火了：胶囊网络，是40年前的胶囊？

来自1976，Hinton写的第一篇论文火了：胶囊网络，是40年前的胶囊？ 来自1976，Hinton写的第一篇论文火了：胶囊网络，是40年前的胶囊？ △ 我没有脖子 如果只考虑和一个方块相邻的那些方块：有些方块就可能被许多身体部位争着选，有些部位可能什么部位都选不上。 而松弛算法可以加深AI对空间的理解：从互相冲突的 局部解释 (Local Interpretations) 中，找到 最佳的全局图形 (Globally Best Figures) 。 论文还列举了这种方法的三大优点： 一是 用并行计算的话，可以快速得出最佳全局解释。花费的时间，并不是随着局部可能性的数量指数增长的，因为并没有显式 (Explicitly) 处理各种可能的组合。 二是 需要的计算空间，也只会随着可能性的数量线性增长，这样就不像广度优先的搜索那样暴力，会轻松许多。 三是 这里能得出全局最佳，而不像启发式搜索 (Heuristic Search) 那样，只找出还算不错的结果。 那么，来看看松弛算法的表现如何。 没用松弛的时候，会找出一大堆可能性 (下图) 。 而且各种部位都给了太多选项：比如“ 上臂GHIJK ”。 然后，加上松弛步骤： 就只剩下一种最佳可能性了。 F躯干，脖子D，上肢GE，下肢KI： 看上去科学了许多啊。 40多年的胶囊 看了论文，网友纷纷想到了2017年Hinton提出的 胶囊网络 ，这种新方法，也是用来解决神经网络不会自己判断空间信息的问题。 这不是胶囊吗？ 原来，他一直在做胶囊啊。 蟹蟹你，胶囊。 1976论文传送门： https://www.cs.toronto.edu/ hinton/absps/puppet.pdf — 完 — △ 我没有脖子 如果只考虑和一个方块相邻的那些方块：有些方块就可能被许多身体部位争着选，有些部位可能什么部位都选不上。 而松弛算法可以加深AI对空间的理解：从互相冲突的 局部解释 (Local Interpretations) 中，找到 最佳的全局图形 (Globally Best Figures) 。 论文还列举了这种方法的三大优点： 一是 用并行计算的话，可以快速得出最佳全局解释。花费的时间，并不是随着局部可能性的数量指数增长的，因为并没有显式 (Explicitly) 处理各种可能的组合。 二是 需要的计算空间，也只会随着可能性的数量线性增长，这样就不像广度优先的搜索那样暴力，会轻松许多。 三是 这里能得出全局最佳，而不像启发式搜索 (Heuristic Search) 那样，只找出还算不错的结果。 那么，来看看松弛算法的表现如何。 没用松弛的时候，会找出一大堆可能性 (下图) 。 而且各种部位都给了太多选项：比如“ 上臂GHIJK ”。 然后，加上松弛步骤： 就只剩下一种最佳可能性了。 F躯干，脖子D，上肢GE，下肢KI： 看上去科学了许多啊。 40多年的胶囊 看了论文，网友纷纷想到了2017年Hinton提出的 胶囊网络 ，这种新方法，也是用来解决神经网络不会自己判断空间信息的问题。 这不是胶囊吗？ 原来，他一直在做胶囊啊。 蟹蟹你，胶囊。 1976论文传送门： https://www.cs.toronto.edu/ hinton/absps/puppet.pdf — 完 — 🔗 原文链接： https://mp.weixin.qq.com/s/0f9QhsFP... https://mp.weixin.qq.com/s/0f9QhsFP... ⏰ 发表时间： 量子位 2019年05月19日 12:09 有人把一篇来自 1976年 的论文刨了出来，仅一日的工夫已在推特上收获了 400多赞 。 论文的主人 Geoffrey Hinton ，许多年后成了神经网络之父，还获得了图灵奖。 如今，回看他的 第一篇论文 ，颇有一番风味。 这篇论文探索的问题是，给你一堆互相重叠的长方形，怎样才能从里面找出一只“ 人偶 (Puppet) ” ？ 举个栗子如下，标了字母的就是人形的可能组成部分： 所以，为什么会想做这样画风清丽的任务啊？ 松弛，松弛一下 首先了解一下问题。 就像开头展现的一样，人偶都是 侧面 的，并且有许多严格的规定： 每个部位都要有 近端 和 远端 ，近端就是离头近的那一端。 躯干必须必四肢都粗，下肢要比上肢粗，头和躯干要比脖子粗。 头要比脖子面积大……