Media is too big
VIEW IN TELEGRAM
Талантливые люди талантливы во всем
Forwarded from NeuroSputnik
This media is not supported in your browser
VIEW IN TELEGRAM
Я, кстати, тоже заметил, что Панчин в том видео радостно сообщил о чем-то весьма сомнительном.
https://www.tg-me.com/lonely_oocyte/5631
https://www.tg-me.com/lonely_oocyte/5631
Telegram
Одинокий ооцит эволюции
Почитав про "первый плацебо контролируемый двойной слепой эксперимент" отвергший гомеопатию, немного пришел в просрацию.
Технически понятно, почему обладатели критического мышления радуются успехам науки в 1835 году, но практически эксперимент то хуйня и…
Технически понятно, почему обладатели критического мышления радуются успехам науки в 1835 году, но практически эксперимент то хуйня и…
This media is not supported in your browser
VIEW IN TELEGRAM
Для создания хорошего настроения в этот понедельник
Большие языковые модели не понимают, не могут и не будут понимать что-либо в полном смысле этого слова. Они не обладают эмоциональным интеллектом и не являются умными в каком-либо значимом или узнаваемом человеческом смысле. Эти модели — впечатляющие устройства для работы с вероятностями, которые были обучены на почти всей информации интернета. Они создают текст не за счет осмысленного мышления, а путем статистически обоснованных предположений о том, какое слово или фраза с высокой вероятностью последует за предыдущими.
https://www.theatlantic.com/culture/archive/2025/06/artificial-intelligence-illiteracy/683021/
https://www.theatlantic.com/culture/archive/2025/06/artificial-intelligence-illiteracy/683021/
The Atlantic
What Happens When People Don’t Understand How AI Works
Despite what tech CEOs might say, large language models are not smart in any recognizably human sense of the word.
Understanding the sport viewership experience using functional near-infrared spectroscopy
Что происходит в мозге страстного хоккейного болельщика во время важной игры? Новое исследование Университета Ватерлоо показывает, что у увлечённых фанатов активность мозга увеличивается в области, связанной с эмоциями и оценочным мышлением, особенно во время вбрасываний. Эти моменты вызывают у них сильную умственную вовлечённость, в отличие от casual-зрителей, которые могут не замечать стратегических деталей.
Учёные использовали метод fNIRS для отслеживания мозговой активности 20 участников во время просмотра профессионального хоккейного матча. Они заметили, что во время очевидных событий, как голевые моменты, различий не было, но в вбрасываниях у страстных фанатов активность повышалась, что свидетельствует о более глубокой когнитивной вовлечённости.
Это важно, потому что использование fNIRS даёт более точное понимание реальных эмоций и реакции зрителей по сравнению с опросами. Результаты помогут улучшить спортивные трансляции и понять, что именно удерживает внимание фанатов. В будущем подобные исследования могут применяться к разным видам спорта для изучения их привлекательности. Исследование опубликовано в Scientific Reports.
https://www.nature.com/articles/s41598-025-96895-7
Что происходит в мозге страстного хоккейного болельщика во время важной игры? Новое исследование Университета Ватерлоо показывает, что у увлечённых фанатов активность мозга увеличивается в области, связанной с эмоциями и оценочным мышлением, особенно во время вбрасываний. Эти моменты вызывают у них сильную умственную вовлечённость, в отличие от casual-зрителей, которые могут не замечать стратегических деталей.
Учёные использовали метод fNIRS для отслеживания мозговой активности 20 участников во время просмотра профессионального хоккейного матча. Они заметили, что во время очевидных событий, как голевые моменты, различий не было, но в вбрасываниях у страстных фанатов активность повышалась, что свидетельствует о более глубокой когнитивной вовлечённости.
Это важно, потому что использование fNIRS даёт более точное понимание реальных эмоций и реакции зрителей по сравнению с опросами. Результаты помогут улучшить спортивные трансляции и понять, что именно удерживает внимание фанатов. В будущем подобные исследования могут применяться к разным видам спорта для изучения их привлекательности. Исследование опубликовано в Scientific Reports.
https://www.nature.com/articles/s41598-025-96895-7
A Geometric Modeling of Occam's Razor in Deep Learning
Почему глубокие нейронные сети (ГНС) выигрывают от очень высокоразмерных пространств параметров? Их огромная сложность по количеству параметров при этом сочетается с впечатляющими результатами на практике, что вызывает особое интерес и не может быть полностью объяснено стандартной теорией выбора модели для обычных моделей. В этой работе предлагается подход, основанный на геометрических и информационно-теоретических идеях, для изучения этого явления. Исходя из предположения, что простота связана с лучшей обобщающей способностью, что подкрепляется теорией минимальной длины описания, целью нашего анализа является исследование и ограничение сложности ГНС. Мы вводим понятие локально меняющейся размерности пространства параметров нейронных сетей, рассматривая число значимых измерений матрицы Фишера, и моделируем пространство параметров как многообразие, используя рамки сингулярной полуримановой геометрии. В результате получаются меры сложности модели, которые позволяют получать короткие описания для моделей глубоких нейронных сетей на основе анализа их сингулярностей, что помогает объяснить их хорошую производительность несмотря на большое число параметров.
https://arxiv.org/abs/1905.11027
Почему глубокие нейронные сети (ГНС) выигрывают от очень высокоразмерных пространств параметров? Их огромная сложность по количеству параметров при этом сочетается с впечатляющими результатами на практике, что вызывает особое интерес и не может быть полностью объяснено стандартной теорией выбора модели для обычных моделей. В этой работе предлагается подход, основанный на геометрических и информационно-теоретических идеях, для изучения этого явления. Исходя из предположения, что простота связана с лучшей обобщающей способностью, что подкрепляется теорией минимальной длины описания, целью нашего анализа является исследование и ограничение сложности ГНС. Мы вводим понятие локально меняющейся размерности пространства параметров нейронных сетей, рассматривая число значимых измерений матрицы Фишера, и моделируем пространство параметров как многообразие, используя рамки сингулярной полуримановой геометрии. В результате получаются меры сложности модели, которые позволяют получать короткие описания для моделей глубоких нейронных сетей на основе анализа их сингулярностей, что помогает объяснить их хорошую производительность несмотря на большое число параметров.
https://arxiv.org/abs/1905.11027
arXiv.org
A Geometric Modeling of Occam's Razor in Deep Learning
Why do deep neural networks (DNNs) benefit from very high dimensional parameter spaces? Their huge parameter complexities vs stunning performance in practice is all the more intriguing and not...