RNN

[Ekiben542]

このIssueに関しては後回しでいいですが、一応内容だけ.

• 敵のベクトル等は精度が悪くてもよいか？
• 同様に、餌のベクトル等は精度が悪くてもよいか？ (正直な話、これがダメならやりたくないと思っているので、やばい)

[Torthai]

精度が悪いのは問題ですね。精度が悪くても規則性があると思うので、人工知能がそれを含めて学習してくれることを願います。

[Ekiben542]

精度が悪いのは問題ですね。精度の悪くても規則性があると思うので、人工知能がそれを含めて学習してくれることを願います。

具体的に「規則性」とはどのようなことでしょうか？. 本来ならば未来に規則性はないはずなので、ちょっと気になった.

[Torthai]

精度が悪いのは問題ですね。精度の悪くても規則性があると思うので、人工知能がそれを含めて学習してくれることを願います。

具体的に「規則性」とはどんなことでしょうか？. 本来ならば未来に規則性はないはずなので、ちょっと気になった.

未来に規則性があると言っているわけではありません。赤ちゃんに、フィルター付きのコンタクトレンズをつけさせれば、実際には緑が見えていたとしても、それを赤と教えたらその通りに覚えるでしょう。また、実際には黄色が見えていたとしても、それを青と教えたらその通りに覚えるでしょう。でも親は赤ちゃんが自分たちとは違う世界を見ていることに気がつきません。色の名前を間違えないからです。それと同じで、事実と受け取った状態の違いに規則性があると思うので、ちゃんと学習できるのではないでしょうか？

[Ekiben542]

未来に規則性があると言っているわけではありません。赤ちゃんに、フィルター付きのコンタクトレンズをつけさせれば、実際には緑が見えていたとしても、それを赤と教えたらその通りに覚えるでしょう。また、実際には黄色が見えていたとしても、それを青と教えたらその通りに覚えると思います.ですが、親は赤ちゃんが自分たちとは違う世界を見ていることに気がつきません。色の名前を間違えないからです。それと同じで、事実と受け取った状態の違いに規則性があると思うので、ちゃんと学習できるのではないでしょうか？

精度が悪いのは問題ですね。精度の悪くても規則性があると思うので、人工知能がそれを含めて学習してくれることを願います。

具体的に「規則性」とはどんなことでしょうか？. 本来ならば未来に規則性はないはずなので、ちょっと気になった.

未来に規則性があると言っているわけではありません。赤ちゃんに、フィルター付きのコンタクトレンズをつけさせれば、実際には緑が見えていたとしても、それを赤と教えたらその通りに覚えるでしょう。また、実際には黄色が見えていたとしても、それを青と教えたらその通りに覚えるでしょう。でも親は赤ちゃんが自分たちとは違う世界を見ていることに気がつきません。色の名前を間違えないからです。それと同じで、事実と受け取った状態の違いに規則性があると思うので、ちゃんと学習できるのではないでしょうか？

突然ですが、機械学習アルゴリズムは、与えられたデータのパターンを学習し、そこから予測を行います. このため、入力データとそれに対応するラベル（正解データ）が一貫して正確であることが極めて重要になると思います. 色の例で言えば、赤ちゃんが見る色（入力データ）が実際の色と異なっていたとしても、それを「赤」と教えられれば、その規則性を学習することが可能です.しかし、もし入力データ（赤ちゃんが見る色）と出力データ（教えられる色の名前）に一貫性がない場合、機械学習アルゴリズムは正確なパターンを学習できなくなると思います.例えば、同じ色が状況に応じて異なる名前で教えられる場合、モデルは混乱して、正確な予測を行うことが難しくなるかなと.

[Torthai]

未来に規則性があると言っているわけではありません。赤ちゃんに、フィルター付きのコンタクトレンズをつけさせれば、実際には緑が見えていたとしても、それを赤と教えたらその通りに覚えるでしょう。また、実際には黄色が見えていたとしても、それを青と教えたらその通りに覚えると思います.ですが、親は赤ちゃんが自分たちとは違う世界を見ていることに気がつきません。色の名前を間違えないからです。それと同じで、事実と受け取った状態の違いに規則性があると思うので、ちゃんと学習できるのではないでしょうか？

精度が悪いのは問題ですね。精度の悪くても規則性があると思うので、人工知能がそれを含めて学習してくれることを願います。

具体的に「規則性」とはどんなことでしょうか？. 本来ならば未来に規則性はないはずなので、ちょっと気になった.

未来に規則性があると言っているわけではありません。赤ちゃんに、フィルター付きのコンタクトレンズをつけさせれば、実際には緑が見えていたとしても、それを赤と教えたらその通りに覚えるでしょう。また、実際には黄色が見えていたとしても、それを青と教えたらその通りに覚えるでしょう。でも親は赤ちゃんが自分たちとは違う世界を見ていることに気がつきません。色の名前を間違えないからです。それと同じで、事実と受け取った状態の違いに規則性があると思うので、ちゃんと学習できるのではないでしょうか？

突然ですが、機械学習アルゴリズムは、与えられたデータのパターンを学習し、そこから予測を行います. このため、入力データとそれに対応するラベル（正解データ）が一貫して正確であることが極めて重要になると思います. 色の例で言えば、赤ちゃんが見る色（入力データ）が実際の色と異なっていたとしても、それを「赤」と教えられれば、その規則性を学習することが可能です.しかし、もし入力データ（赤ちゃんが見る色）と出力データ（教えられる色の名前）に一貫性がない場合、機械学習アルゴリズムは正確なパターンを学習できなくなると思います.例えば、同じ色が状況に応じて異なる名前で教えられる場合、モデルは混乱して、正確な予測を行うことが難しくなるかなと.

正確な入力データ、出力データというものは人間が勝手に決めたものだと思っています。人間と昆虫ではものの見え方が違いますが、ちゃんと生物としての目的を果たしています。"正確さ"より、より良い学習ができるように状態を受け取る方が大切だと思います。

[Ekiben542]

正確な入力データ、出力データというものは人間が勝手に決めたものだと思っています。人間と昆虫ではものの見え方が違いますが、ちゃんと生物としての目的を果たしています。"正確さ"より、より良い学習ができるように状態を受け取る方が大切だと思います。

たしかに、一理あるけど、人間と昆虫では見え方が違うのと、それぞれの環境に適応している.しかし、機械学習の文脈では"正確な"入力データと出力データの定義は、アルゴリズムが有用な予測を行うための基盤となると思う.

例えば、機械学習モデルに画像認識を教える場合、入力データとしての画像と、それに対応する正確なラベル（例えば犬や猫など）が必要で、このラベルが一貫していないと、モデルは誤ったパターンを学習して、正確な予測が難しくなる.

生物が異なる感覚を持ちながらも適応できるのは、それぞれの生物が自分の環境に適した方法で学習しているからだと思っていて、しかし、機械学習アルゴリズムはデータのパターンを基に学習するので、データの一貫性が欠けると、アルゴリズムが誤った結論に達するリスクが高まってしまう.

だからこそ、入力データとそれに対応するラベルが一貫していることが重要だと思うかなー、ってなったり

[Torthai]

なるほど。一理ありますな。やはり、入力データに変なノイズがかかるのはよくないですな。規則性を畳み込みなどで管理する必要がありそうですね。

[Ekiben542]

なるほど。一理ありますな。やはり、入力データに変なノイズがかかるのはよくないですな。規則性を畳み込みなどで管理する必要がありそうですね。

そうですねー

[Ekiben542]

規則性を畳み込み

なるほど。一理ありますな。やはり、入力データに変なノイズがかかるのはよくないですな。規則性を畳み込みなどで管理する必要がありそうですね。

例えばですが、ノイズのある画像が「受け取った状態」、ノイズが除去された画像が「事実」とするとき、ノイズには規則性がある場合、その規則性を捉えるために畳み込みをする、と言った感じで大丈夫ですか？.

[Torthai]

いいえ。違います。「事実」に畳み込みをしたものは、人間が、理解した上でデータを加工しているので、誤差からより良い畳み込みの仕方を発見できます。しかし、ノイズが大きい画像では、人間が予測しないところでデータが加工されてしまっているので、畳み込みをしても、誤差からより良い畳み込みの仕方を発見しにくいと思います。

[Ekiben542]

例えばですが、ノイズのある画像が「受け取った状態」、ノイズが除去された画像が「事実」とするとき、ノイズには規則性がある場合、その規則性を捉えるために畳み込みをする、と言った感じで大丈夫ですか？

いいえ。違います。「事実」に畳み込みをしたものは、人間が、理解した上でデータを加工しているので、誤差からより良い畳み込みの仕方を発見できます。しかし、ノイズが大きい画像では、人間が予測しないところでデータが加工されてしまっているので、畳み込みをしても、誤差からより良い畳み込みの仕方を発見しにくいと思います。

メディアンフィルターとかガウシアンフィルターかけちゃえば、多少のノイズはマシになると思うので、それかけてからするってのはどうですか？.

[Torthai]

いいですね。