Spontaniczna struktura bezskalowa w grafach przepływu impulsów dla rekurencyjnych sieci neuronowych
|
|
- Seweryna Michalik
- 7 lat temu
- Przeglądów:
Transkrypt
1 Spontaniczna struktura bezskalowa w grafach przepływu impulsów dla rekurencyjnych sieci neuronowych Filip Piękniewski Wydział Matematyki i Informatyki Uniwersytetu Mikołaja Kopernika w Toruniu Praca doktorska zrealizowana na Wydziale Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego 1 kwietnia 2009 Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 1/31
2 Szkic dziedziny Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Teoria Grafów Sieci neuronowe Sieci bezskalowe Model Przepływu Impulsów Modelowanie układów neuronów Dane empiryczne fmri Sieci impulsujące Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 2/31
3 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Koncepcja sieci bezskalowych związana jest z prawami potęgowymi, które były badane już pod koniec XIX przez Vilfredo Pareto [Pareto, ] Alfred Lotka [Lotka, 1926] zaobserwował prawo potęgowe w liczbie opublikowanych abstraktów w indeksie dekady. Herbert A. Simon [Simon, 1955] znalazł prawa potęgowe w dystrybucji naukowców względem ilości opublikowanych prac, miast względem liczby mieszkańców, rodzin taksonomicznych względem liczby gatunków i wielu innych... W latach 90 kilka grup badawczych zaczęło badać rozmaite grafy empiryczne. Szybko okazało się, że wiele z nich spełnia prawo potęgowe w rozkładzie stopni wierzchołków. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 3/31
4 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Koncepcja sieci bezskalowych związana jest z prawami potęgowymi, które były badane już pod koniec XIX przez Vilfredo Pareto [Pareto, ] Alfred Lotka [Lotka, 1926] zaobserwował prawo potęgowe w liczbie opublikowanych abstraktów w indeksie dekady. Herbert A. Simon [Simon, 1955] znalazł prawa potęgowe w dystrybucji naukowców względem ilości opublikowanych prac, miast względem liczby mieszkańców, rodzin taksonomicznych względem liczby gatunków i wielu innych... W latach 90 kilka grup badawczych zaczęło badać rozmaite grafy empiryczne. Szybko okazało się, że wiele z nich spełnia prawo potęgowe w rozkładzie stopni wierzchołków. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 3/31
5 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Koncepcja sieci bezskalowych związana jest z prawami potęgowymi, które były badane już pod koniec XIX przez Vilfredo Pareto [Pareto, ] Alfred Lotka [Lotka, 1926] zaobserwował prawo potęgowe w liczbie opublikowanych abstraktów w indeksie dekady. Herbert A. Simon [Simon, 1955] znalazł prawa potęgowe w dystrybucji naukowców względem ilości opublikowanych prac, miast względem liczby mieszkańców, rodzin taksonomicznych względem liczby gatunków i wielu innych... W latach 90 kilka grup badawczych zaczęło badać rozmaite grafy empiryczne. Szybko okazało się, że wiele z nich spełnia prawo potęgowe w rozkładzie stopni wierzchołków. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 3/31
6 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Koncepcja sieci bezskalowych związana jest z prawami potęgowymi, które były badane już pod koniec XIX przez Vilfredo Pareto [Pareto, ] Alfred Lotka [Lotka, 1926] zaobserwował prawo potęgowe w liczbie opublikowanych abstraktów w indeksie dekady. Herbert A. Simon [Simon, 1955] znalazł prawa potęgowe w dystrybucji naukowców względem ilości opublikowanych prac, miast względem liczby mieszkańców, rodzin taksonomicznych względem liczby gatunków i wielu innych... W latach 90 kilka grup badawczych zaczęło badać rozmaite grafy empiryczne. Szybko okazało się, że wiele z nich spełnia prawo potęgowe w rozkładzie stopni wierzchołków. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 3/31
7 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
8 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
9 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
10 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
11 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
12 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
13 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
14 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
15 Sieci bezskalowe Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Przebadano wiele grafów i znaleziono prawa potęgowe w: WWW (World Wide Web) [Albert et al., 1999], Sieć współpracy naukowej [Barabási et al., 2002], Graf aktorów w Hollywood [Barabási & Albert, 1999], Sieci cytowań [Redner, 1998], Sieci ekologiczne [Montoya & V., 2002], Sieci lingwistyczne [i Cancho & Solé, 2001], Sieci połączeń telefonicznych [Abello et al., 1998, Aiello et al., 2000] Sieci metabolizmu komórkowego [Bhalla & Iyengar, 1999, Jeong et al., 2000], Wiele, wiele innych [Albert & Barabási, 2002]. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 4/31
16 Obserwacje empiryczne Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Poszukiwano także praw potęgowych w grafach połączeń neuronowych Jednym z niewielu organizmów dla których graf połączeń jest znany to robak C.elegans. Ma on jednak tylko około 300 neuronów. W tym grafie nie stwierdzono prawa potęgowego [Amaral et al., 2000, Koch & Laurent, 1999]. Niespodziewanie jednak odkryto prawo potęgowe z wykładnikiem γ 2 w grafie funkcjonalnych korelacji aktywności fmri w ludzkim mózgu [Eguíluz et al., 2005], [Sporns et al., 2004]. W tym przypadku niewątpliwie chodzi o grupy neuronów (rozdzieczość fmri to około 1mm). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 5/31
17 Obserwacje empiryczne Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Poszukiwano także praw potęgowych w grafach połączeń neuronowych Jednym z niewielu organizmów dla których graf połączeń jest znany to robak C.elegans. Ma on jednak tylko około 300 neuronów. W tym grafie nie stwierdzono prawa potęgowego [Amaral et al., 2000, Koch & Laurent, 1999]. Niespodziewanie jednak odkryto prawo potęgowe z wykładnikiem γ 2 w grafie funkcjonalnych korelacji aktywności fmri w ludzkim mózgu [Eguíluz et al., 2005], [Sporns et al., 2004]. W tym przypadku niewątpliwie chodzi o grupy neuronów (rozdzieczość fmri to około 1mm). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 5/31
18 Obserwacje empiryczne Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Poszukiwano także praw potęgowych w grafach połączeń neuronowych Jednym z niewielu organizmów dla których graf połączeń jest znany to robak C.elegans. Ma on jednak tylko około 300 neuronów. W tym grafie nie stwierdzono prawa potęgowego [Amaral et al., 2000, Koch & Laurent, 1999]. Niespodziewanie jednak odkryto prawo potęgowe z wykładnikiem γ 2 w grafie funkcjonalnych korelacji aktywności fmri w ludzkim mózgu [Eguíluz et al., 2005], [Sporns et al., 2004]. W tym przypadku niewątpliwie chodzi o grupy neuronów (rozdzieczość fmri to około 1mm). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 5/31
19 Modele neuronów Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Od lat 50 modele neuronów znacząco ewoluowały Początkowo aktywność była znacząco uśredniana w dziedzinie czasu co doprowadziło do prostych modeli typu perceptronu Wraz ze wzrostem mocy obliczeniowej struktura temporalna aktywności zyskiwała zainteresowanie badaczy Obecnie popularne są modele impulsujące oparte o dwuwymiarowe układy dynamiczne, które stanowią dosyć wygodną abstrakcję dla aktywności neuronowej Dynamika pojedynczego neuronu jest co do zasad dosyć prosta, skomplikowane rzeczy zaczynają się dziać na poziomie interakcji kilku lub kilkudziesięciu neuronów Dynamika grup neuronów znacząco odbiega od dynamiki pojedynczych neuronów Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 6/31
20 Modele neuronów Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Od lat 50 modele neuronów znacząco ewoluowały Początkowo aktywność była znacząco uśredniana w dziedzinie czasu co doprowadziło do prostych modeli typu perceptronu Wraz ze wzrostem mocy obliczeniowej struktura temporalna aktywności zyskiwała zainteresowanie badaczy Obecnie popularne są modele impulsujące oparte o dwuwymiarowe układy dynamiczne, które stanowią dosyć wygodną abstrakcję dla aktywności neuronowej Dynamika pojedynczego neuronu jest co do zasad dosyć prosta, skomplikowane rzeczy zaczynają się dziać na poziomie interakcji kilku lub kilkudziesięciu neuronów Dynamika grup neuronów znacząco odbiega od dynamiki pojedynczych neuronów Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 6/31
21 Modele neuronów Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Od lat 50 modele neuronów znacząco ewoluowały Początkowo aktywność była znacząco uśredniana w dziedzinie czasu co doprowadziło do prostych modeli typu perceptronu Wraz ze wzrostem mocy obliczeniowej struktura temporalna aktywności zyskiwała zainteresowanie badaczy Obecnie popularne są modele impulsujące oparte o dwuwymiarowe układy dynamiczne, które stanowią dosyć wygodną abstrakcję dla aktywności neuronowej Dynamika pojedynczego neuronu jest co do zasad dosyć prosta, skomplikowane rzeczy zaczynają się dziać na poziomie interakcji kilku lub kilkudziesięciu neuronów Dynamika grup neuronów znacząco odbiega od dynamiki pojedynczych neuronów Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 6/31
22 Modele neuronów Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Od lat 50 modele neuronów znacząco ewoluowały Początkowo aktywność była znacząco uśredniana w dziedzinie czasu co doprowadziło do prostych modeli typu perceptronu Wraz ze wzrostem mocy obliczeniowej struktura temporalna aktywności zyskiwała zainteresowanie badaczy Obecnie popularne są modele impulsujące oparte o dwuwymiarowe układy dynamiczne, które stanowią dosyć wygodną abstrakcję dla aktywności neuronowej Dynamika pojedynczego neuronu jest co do zasad dosyć prosta, skomplikowane rzeczy zaczynają się dziać na poziomie interakcji kilku lub kilkudziesięciu neuronów Dynamika grup neuronów znacząco odbiega od dynamiki pojedynczych neuronów Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 6/31
23 Modele neuronów Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Od lat 50 modele neuronów znacząco ewoluowały Początkowo aktywność była znacząco uśredniana w dziedzinie czasu co doprowadziło do prostych modeli typu perceptronu Wraz ze wzrostem mocy obliczeniowej struktura temporalna aktywności zyskiwała zainteresowanie badaczy Obecnie popularne są modele impulsujące oparte o dwuwymiarowe układy dynamiczne, które stanowią dosyć wygodną abstrakcję dla aktywności neuronowej Dynamika pojedynczego neuronu jest co do zasad dosyć prosta, skomplikowane rzeczy zaczynają się dziać na poziomie interakcji kilku lub kilkudziesięciu neuronów Dynamika grup neuronów znacząco odbiega od dynamiki pojedynczych neuronów Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 6/31
24 Modele neuronów Wprowadzenie Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Od lat 50 modele neuronów znacząco ewoluowały Początkowo aktywność była znacząco uśredniana w dziedzinie czasu co doprowadziło do prostych modeli typu perceptronu Wraz ze wzrostem mocy obliczeniowej struktura temporalna aktywności zyskiwała zainteresowanie badaczy Obecnie popularne są modele impulsujące oparte o dwuwymiarowe układy dynamiczne, które stanowią dosyć wygodną abstrakcję dla aktywności neuronowej Dynamika pojedynczego neuronu jest co do zasad dosyć prosta, skomplikowane rzeczy zaczynają się dziać na poziomie interakcji kilku lub kilkudziesięciu neuronów Dynamika grup neuronów znacząco odbiega od dynamiki pojedynczych neuronów Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 6/31
25 Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Zaprezentowany za chwilę model stanowi próbę opisu aktywności grup neuronów na poziomie mezoskalowym Istotną cechą grup jest fakt, iż potrafią one pozostawać aktywne przez dłuższy czas, oraz akumulować aktywność na zasadzie sprzężenia zwrotnego Graf korelacji aktywności dla grup jest bezskalowy z wykładnikiem 2, na co wskazują dane empiryczne [Eguíluz et al., 2005, Sporns et al., 2004] jak i symulacje [Piȩkniewski, 2007] Zasadniczym wynikiem pracy jest wskazanie prostego modelu [Piȩkniewski & Schreiber, 2008] który by stanowił abstrakcję dla powyższych cech oraz był wygodny do bezpośredniego badania matematycznego Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 7/31
26 Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Zaprezentowany za chwilę model stanowi próbę opisu aktywności grup neuronów na poziomie mezoskalowym Istotną cechą grup jest fakt, iż potrafią one pozostawać aktywne przez dłuższy czas, oraz akumulować aktywność na zasadzie sprzężenia zwrotnego Graf korelacji aktywności dla grup jest bezskalowy z wykładnikiem 2, na co wskazują dane empiryczne [Eguíluz et al., 2005, Sporns et al., 2004] jak i symulacje [Piȩkniewski, 2007] Zasadniczym wynikiem pracy jest wskazanie prostego modelu [Piȩkniewski & Schreiber, 2008] który by stanowił abstrakcję dla powyższych cech oraz był wygodny do bezpośredniego badania matematycznego Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 7/31
27 Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Zaprezentowany za chwilę model stanowi próbę opisu aktywności grup neuronów na poziomie mezoskalowym Istotną cechą grup jest fakt, iż potrafią one pozostawać aktywne przez dłuższy czas, oraz akumulować aktywność na zasadzie sprzężenia zwrotnego Graf korelacji aktywności dla grup jest bezskalowy z wykładnikiem 2, na co wskazują dane empiryczne [Eguíluz et al., 2005, Sporns et al., 2004] jak i symulacje [Piȩkniewski, 2007] Zasadniczym wynikiem pracy jest wskazanie prostego modelu [Piȩkniewski & Schreiber, 2008] który by stanowił abstrakcję dla powyższych cech oraz był wygodny do bezpośredniego badania matematycznego Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 7/31
28 Szkic dziedziny Sieci bezskalowe Obserwacje empiryczne Modele neuronów Zaprezentowany za chwilę model stanowi próbę opisu aktywności grup neuronów na poziomie mezoskalowym Istotną cechą grup jest fakt, iż potrafią one pozostawać aktywne przez dłuższy czas, oraz akumulować aktywność na zasadzie sprzężenia zwrotnego Graf korelacji aktywności dla grup jest bezskalowy z wykładnikiem 2, na co wskazują dane empiryczne [Eguíluz et al., 2005, Sporns et al., 2004] jak i symulacje [Piȩkniewski, 2007] Zasadniczym wynikiem pracy jest wskazanie prostego modelu [Piȩkniewski & Schreiber, 2008] który by stanowił abstrakcję dla powyższych cech oraz był wygodny do bezpośredniego badania matematycznego Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 7/31
29 (spike flow model) Definicja Model składa się z n jednostek σ i N, i = 1...n połączony każdy z każdym z symetrycznymi wagami gaussowskimi w ij Funkcja energetyczna ma postać: E(σ) := 1 w ij σ i σ j (1) 2 i j Dynamika przebiega następująco: Losujemy jednostki σ i,σ j i sprawdzamy czy σ i > 0 Sprawdzamy czy przesłanie jednostki ładunku z σ i do σ j (σ i := σ i 1, σ j := σ j + 1) zmniejsza energię Jeśli tak, akceptujemy zmianę. W innym wypadku akceptujemy z prawdopodobieństwem e β E (dynamika typu Kawasaki). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 8/31
30 (spike flow model) Definicja Model składa się z n jednostek σ i N, i = 1...n połączony każdy z każdym z symetrycznymi wagami gaussowskimi w ij Funkcja energetyczna ma postać: E(σ) := 1 w ij σ i σ j (1) 2 i j Dynamika przebiega następująco: Losujemy jednostki σ i,σ j i sprawdzamy czy σ i > 0 Sprawdzamy czy przesłanie jednostki ładunku z σ i do σ j (σ i := σ i 1, σ j := σ j + 1) zmniejsza energię Jeśli tak, akceptujemy zmianę. W innym wypadku akceptujemy z prawdopodobieństwem e β E (dynamika typu Kawasaki). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 8/31
31 (spike flow model) Definicja Model składa się z n jednostek σ i N, i = 1...n połączony każdy z każdym z symetrycznymi wagami gaussowskimi w ij Funkcja energetyczna ma postać: E(σ) := 1 w ij σ i σ j (1) 2 i j Dynamika przebiega następująco: Losujemy jednostki σ i,σ j i sprawdzamy czy σ i > 0 Sprawdzamy czy przesłanie jednostki ładunku z σ i do σ j (σ i := σ i 1, σ j := σ j + 1) zmniejsza energię Jeśli tak, akceptujemy zmianę. W innym wypadku akceptujemy z prawdopodobieństwem e β E (dynamika typu Kawasaki). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 8/31
32 (spike flow model) Definicja Model składa się z n jednostek σ i N, i = 1...n połączony każdy z każdym z symetrycznymi wagami gaussowskimi w ij Funkcja energetyczna ma postać: E(σ) := 1 w ij σ i σ j (1) 2 i j Dynamika przebiega następująco: Losujemy jednostki σ i,σ j i sprawdzamy czy σ i > 0 Sprawdzamy czy przesłanie jednostki ładunku z σ i do σ j (σ i := σ i 1, σ j := σ j + 1) zmniejsza energię Jeśli tak, akceptujemy zmianę. W innym wypadku akceptujemy z prawdopodobieństwem e β E (dynamika typu Kawasaki). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 8/31
33 (spike flow model) Definicja Model składa się z n jednostek σ i N, i = 1...n połączony każdy z każdym z symetrycznymi wagami gaussowskimi w ij Funkcja energetyczna ma postać: E(σ) := 1 w ij σ i σ j (1) 2 i j Dynamika przebiega następująco: Losujemy jednostki σ i,σ j i sprawdzamy czy σ i > 0 Sprawdzamy czy przesłanie jednostki ładunku z σ i do σ j (σ i := σ i 1, σ j := σ j + 1) zmniejsza energię Jeśli tak, akceptujemy zmianę. W innym wypadku akceptujemy z prawdopodobieństwem e β E (dynamika typu Kawasaki). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 8/31
34 (spike flow model) Definicja Model składa się z n jednostek σ i N, i = 1...n połączony każdy z każdym z symetrycznymi wagami gaussowskimi w ij Funkcja energetyczna ma postać: E(σ) := 1 w ij σ i σ j (1) 2 i j Dynamika przebiega następująco: Losujemy jednostki σ i,σ j i sprawdzamy czy σ i > 0 Sprawdzamy czy przesłanie jednostki ładunku z σ i do σ j (σ i := σ i 1, σ j := σ j + 1) zmniejsza energię Jeśli tak, akceptujemy zmianę. W innym wypadku akceptujemy z prawdopodobieństwem e β E (dynamika typu Kawasaki). Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 8/31
35 Graf przepływu impulsów (spike flow graph) Definicja Mając model przepływu impulsów oraz pewną jego realizację a (wynik symulacji), grafem przepływu impulsów nazwiemy graf skierowany: o zbiorze wierzchołków identycznym ze zbiorem {σ i } i=1...n jeśli w realizacji modelu przepływowego pomiędzy wierzchołkami i oraz j nastąpił przepływ ładunku c razy, to w grafie przepływu impulsów istnieje krawędź (i, j) o wadze c a Zakładamy, że stanem początkowym dla realizacji modelu przepływowego jest stan w którym wszystkie jednostki posiadają początkową, ustaloną ilość potencjału. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 9/31
36 Rysunek: Schemat działania modelu przepływu impulsów poszczególne przepływy zależą od konkretnych zmian energii. Każdy przepływ jest odnotowywany na odpowiedniej krawędzi. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 10/31
37 Rysunek: Schemat działania modelu przepływu impulsów poszczególne przepływy zależą od konkretnych zmian energii. Każdy przepływ jest odnotowywany na odpowiedniej krawędzi. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 10/31
38 Rysunek: Schemat działania modelu przepływu impulsów poszczególne przepływy zależą od konkretnych zmian energii. Każdy przepływ jest odnotowywany na odpowiedniej krawędzi. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 10/31
39 Rysunek: Schemat działania modelu przepływu impulsów poszczególne przepływy zależą od konkretnych zmian energii. Każdy przepływ jest odnotowywany na odpowiedniej krawędzi. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 10/31
40 Rysunek: Schemat działania modelu przepływu impulsów poszczególne przepływy zależą od konkretnych zmian energii. Każdy przepływ jest odnotowywany na odpowiedniej krawędzi. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 10/31
41 Zauważmy, że w modelu przepływu impulsów dodatnie wagi wspomagają zgodne stany jednostek, a negatywne wagi niezgodne stany jednostek Mogłoby się wydawać, że struktura minimów energetycznych w tym modelu będzie skomplikowana. Zaskakująco jednak stany bazowe mają bardzo prostą naturę i są łatwe do wyznaczenia W pracy dowiedziono, że z wielkim prawdopodobieństwem unikatowym stanem bazowym jest sytuacja w której jedna, specyficzna jednostka przechowuje cały ładunek Poniżej zaprezentujemy szkic dowodu Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 11/31
42 Zauważmy, że w modelu przepływu impulsów dodatnie wagi wspomagają zgodne stany jednostek, a negatywne wagi niezgodne stany jednostek Mogłoby się wydawać, że struktura minimów energetycznych w tym modelu będzie skomplikowana. Zaskakująco jednak stany bazowe mają bardzo prostą naturę i są łatwe do wyznaczenia W pracy dowiedziono, że z wielkim prawdopodobieństwem unikatowym stanem bazowym jest sytuacja w której jedna, specyficzna jednostka przechowuje cały ładunek Poniżej zaprezentujemy szkic dowodu Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 11/31
43 Zauważmy, że w modelu przepływu impulsów dodatnie wagi wspomagają zgodne stany jednostek, a negatywne wagi niezgodne stany jednostek Mogłoby się wydawać, że struktura minimów energetycznych w tym modelu będzie skomplikowana. Zaskakująco jednak stany bazowe mają bardzo prostą naturę i są łatwe do wyznaczenia W pracy dowiedziono, że z wielkim prawdopodobieństwem unikatowym stanem bazowym jest sytuacja w której jedna, specyficzna jednostka przechowuje cały ładunek Poniżej zaprezentujemy szkic dowodu Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 11/31
44 Zauważmy, że w modelu przepływu impulsów dodatnie wagi wspomagają zgodne stany jednostek, a negatywne wagi niezgodne stany jednostek Mogłoby się wydawać, że struktura minimów energetycznych w tym modelu będzie skomplikowana. Zaskakująco jednak stany bazowe mają bardzo prostą naturę i są łatwe do wyznaczenia W pracy dowiedziono, że z wielkim prawdopodobieństwem unikatowym stanem bazowym jest sytuacja w której jedna, specyficzna jednostka przechowuje cały ładunek Poniżej zaprezentujemy szkic dowodu Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 11/31
45 Twierdzenie Unikatowym stanem bazowym modelu przepływu impulsów jest z wielkim prawdopodobieństwem stan w którym jeden wierzchołek przechowuje cały ładunek. Dla każdej jednostki σ i definiujemy wsparcie: S i := j i w i,j (2) w i,j są niezależnymi, gaussowskimi zmiennymi losowymi o wartości oczekiwanej 0 i wariancji 1, zatem S i są również zmiennymi gaussowskimi o wariancji N 1. Ponadto, są prawie parami niezależne, każdy S i współdzieli z innymi tylko jeden składnik sumy. Oznaczmy k-tą największą wartość wśród S i przez S :k. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 12/31
46 Twierdzenie Unikatowym stanem bazowym modelu przepływu impulsów jest z wielkim prawdopodobieństwem stan w którym jeden wierzchołek przechowuje cały ładunek. Dla każdej jednostki σ i definiujemy wsparcie: S i := j i w i,j (2) w i,j są niezależnymi, gaussowskimi zmiennymi losowymi o wartości oczekiwanej 0 i wariancji 1, zatem S i są również zmiennymi gaussowskimi o wariancji N 1. Ponadto, są prawie parami niezależne, każdy S i współdzieli z innymi tylko jeden składnik sumy. Oznaczmy k-tą największą wartość wśród S i przez S :k. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 12/31
47 Twierdzenie Unikatowym stanem bazowym modelu przepływu impulsów jest z wielkim prawdopodobieństwem stan w którym jeden wierzchołek przechowuje cały ładunek. Dla każdej jednostki σ i definiujemy wsparcie: S i := j i w i,j (2) w i,j są niezależnymi, gaussowskimi zmiennymi losowymi o wartości oczekiwanej 0 i wariancji 1, zatem S i są również zmiennymi gaussowskimi o wariancji N 1. Ponadto, są prawie parami niezależne, każdy S i współdzieli z innymi tylko jeden składnik sumy. Oznaczmy k-tą największą wartość wśród S i przez S :k. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 12/31
48 Teoria wartości ekstremalnych implikuje, iż S :k może być aproksymowane następująco (patrz sekcja 1.2 w [Talagrand, 2003]): S :k ( 2N log N 1 + ξ ) k log N (3) gdzie ξ 1 > ξ 2 >... jest ciągiem wylosowanym z procesu 1 punktowego Poissona o intensywności π exp( 2t log 2), t R oraz p-ty ξ k powyżej zera jest rzędu log p. W związku z tym S :k jest rzędu N log N natomiast przeciętne S i jest rzędu N Wybierzmy niewielki ułamek o(n) wszystkich jednostek zawierających najwięcej ładunku. Nazwijmy jest elitą a resztę jednostek tłumem. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 13/31
49 Teoria wartości ekstremalnych implikuje, iż S :k może być aproksymowane następująco (patrz sekcja 1.2 w [Talagrand, 2003]): S :k ( 2N log N 1 + ξ ) k log N (3) gdzie ξ 1 > ξ 2 >... jest ciągiem wylosowanym z procesu 1 punktowego Poissona o intensywności π exp( 2t log 2), t R oraz p-ty ξ k powyżej zera jest rzędu log p. W związku z tym S :k jest rzędu N log N natomiast przeciętne S i jest rzędu N Wybierzmy niewielki ułamek o(n) wszystkich jednostek zawierających najwięcej ładunku. Nazwijmy jest elitą a resztę jednostek tłumem. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 13/31
50 Ponieważ elita jest bardzo niewielka (jej udział zbiega do zera wraz z N ), Hamiltonian przyjmuje prostszą formę: E(σ) i elita σ i S i j,l tłum w j,l σ j σ l (4) Powyższe implikuje, że gdy w toku dynamiki proponowany jest przepływ z jednostki tłumu σ j do jednostki elitarnej σ i, spodziewana zmiana energii wynosi w przybliżeniu S i plus czynnik związany z interakcją tłum-tłum. Generalnie nie mamy kontroli nad tym dodatkowym czynnikiem, ale jeśli σ i okaże się elementem o wysokim wsparciu (rzędu N log N), wtedy prawie na pewno pozostały czynnik (co najwyżej rzędu N) będzie zaniedbywalny w porównaniu z Si. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 14/31
51 Ponieważ elita jest bardzo niewielka (jej udział zbiega do zera wraz z N ), Hamiltonian przyjmuje prostszą formę: E(σ) i elita σ i S i j,l tłum w j,l σ j σ l (4) Powyższe implikuje, że gdy w toku dynamiki proponowany jest przepływ z jednostki tłumu σ j do jednostki elitarnej σ i, spodziewana zmiana energii wynosi w przybliżeniu S i plus czynnik związany z interakcją tłum-tłum. Generalnie nie mamy kontroli nad tym dodatkowym czynnikiem, ale jeśli σ i okaże się elementem o wysokim wsparciu (rzędu N log N), wtedy prawie na pewno pozostały czynnik (co najwyżej rzędu N) będzie zaniedbywalny w porównaniu z Si. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 14/31
52 Gdy do elity dostanie się element o wysokim wsparciu, wtedy przepływy w jego kierunku stają się bardzo prawdopodobne, zaś w przeciwną stronę praktycznie niemożliwe. Konsekwentnie taka jednostka ma wielką szansę pozostania w elicie. Jeśli jednostka od małym wsparciu dostanie się do elity, szybko zostanie oskubana z ładunku na rzecz członków o większym wsparciu Gdy elita jest już stabilna i posiada praktycznie cały ładunek, Hamiltonian przyjmuje prostą formę: E(σ) i elita σ i S i (5) i praktycznie wszystkie pozostałe przepływy następują w obrębie elity. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 15/31
53 Gdy do elity dostanie się element o wysokim wsparciu, wtedy przepływy w jego kierunku stają się bardzo prawdopodobne, zaś w przeciwną stronę praktycznie niemożliwe. Konsekwentnie taka jednostka ma wielką szansę pozostania w elicie. Jeśli jednostka od małym wsparciu dostanie się do elity, szybko zostanie oskubana z ładunku na rzecz członków o większym wsparciu Gdy elita jest już stabilna i posiada praktycznie cały ładunek, Hamiltonian przyjmuje prostą formę: E(σ) i elita σ i S i (5) i praktycznie wszystkie pozostałe przepływy następują w obrębie elity. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 15/31
54 Gdy do elity dostanie się element o wysokim wsparciu, wtedy przepływy w jego kierunku stają się bardzo prawdopodobne, zaś w przeciwną stronę praktycznie niemożliwe. Konsekwentnie taka jednostka ma wielką szansę pozostania w elicie. Jeśli jednostka od małym wsparciu dostanie się do elity, szybko zostanie oskubana z ładunku na rzecz członków o większym wsparciu Gdy elita jest już stabilna i posiada praktycznie cały ładunek, Hamiltonian przyjmuje prostą formę: E(σ) i elita σ i S i (5) i praktycznie wszystkie pozostałe przepływy następują w obrębie elity. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 15/31
55 Ponieważ naddatek energii związany z interakcjami elita elita jest zaniedbywalny w porównaniu w czynnikiem związanym z wsparciem, ostateczna dynamika przyjmuję prostą formę zwycięzca bierze wszystko W każdym wybierane są dwie jednostki z elity. Następnie (prawie na pewno) ładunek jest przesyłany z jednostki o mniejszym wsparciu do jednostki o większym wsparciu. Jedyną konfiguracją stabilną dla takiej dynamiki jest stan w którym element o największym wsparciu przechowuje cały ładunek, co należało pokazać. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 16/31
56 Ponieważ naddatek energii związany z interakcjami elita elita jest zaniedbywalny w porównaniu w czynnikiem związanym z wsparciem, ostateczna dynamika przyjmuję prostą formę zwycięzca bierze wszystko W każdym wybierane są dwie jednostki z elity. Następnie (prawie na pewno) ładunek jest przesyłany z jednostki o mniejszym wsparciu do jednostki o większym wsparciu. Jedyną konfiguracją stabilną dla takiej dynamiki jest stan w którym element o największym wsparciu przechowuje cały ładunek, co należało pokazać. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 16/31
57 Ponieważ naddatek energii związany z interakcjami elita elita jest zaniedbywalny w porównaniu w czynnikiem związanym z wsparciem, ostateczna dynamika przyjmuję prostą formę zwycięzca bierze wszystko W każdym wybierane są dwie jednostki z elity. Następnie (prawie na pewno) ładunek jest przesyłany z jednostki o mniejszym wsparciu do jednostki o większym wsparciu. Jedyną konfiguracją stabilną dla takiej dynamiki jest stan w którym element o największym wsparciu przechowuje cały ładunek, co należało pokazać. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 16/31
58 Elite Rysunek: Schematyczny wygląd grafu przepływu impulsów. W obrębie elity ładunek płynie prawie na pewno w kierunku rosnącego wsparcia. W obrębie tłumu przepływy są mniej zorganizowane. support Bulk Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 17/31
59 Twierdzenie Rozkład stopni wierzchołków ważonego grafu przepływu impulsów dla modelu przepływu impulsów spełnia prawo potęgowe z wykładnikiem γ = 2. Ustalmy K << N (rozmiar elity). Niech K gdy N Niech u i, i = 1...K będą jednostkami elity w kolejności malejącego wsparcia Załóżmy, że śledzimy jednostkę ładunku która weszła do elity w u k0 następnie przechodzi u kl, k l+1 < k l (losowo) aż osiągnie u 1 Stopnie wierzchołków elity są przybliżane przez D i oznaczające liczbę jednostek ładunku która odwiedziła u i w drodze do u 1 Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 18/31
60 Twierdzenie Rozkład stopni wierzchołków ważonego grafu przepływu impulsów dla modelu przepływu impulsów spełnia prawo potęgowe z wykładnikiem γ = 2. Ustalmy K << N (rozmiar elity). Niech K gdy N Niech u i, i = 1...K będą jednostkami elity w kolejności malejącego wsparcia Załóżmy, że śledzimy jednostkę ładunku która weszła do elity w u k0 następnie przechodzi u kl, k l+1 < k l (losowo) aż osiągnie u 1 Stopnie wierzchołków elity są przybliżane przez D i oznaczające liczbę jednostek ładunku która odwiedziła u i w drodze do u 1 Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 18/31
61 Twierdzenie Rozkład stopni wierzchołków ważonego grafu przepływu impulsów dla modelu przepływu impulsów spełnia prawo potęgowe z wykładnikiem γ = 2. Ustalmy K << N (rozmiar elity). Niech K gdy N Niech u i, i = 1...K będą jednostkami elity w kolejności malejącego wsparcia Załóżmy, że śledzimy jednostkę ładunku która weszła do elity w u k0 następnie przechodzi u kl, k l+1 < k l (losowo) aż osiągnie u 1 Stopnie wierzchołków elity są przybliżane przez D i oznaczające liczbę jednostek ładunku która odwiedziła u i w drodze do u 1 Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 18/31
62 Twierdzenie Rozkład stopni wierzchołków ważonego grafu przepływu impulsów dla modelu przepływu impulsów spełnia prawo potęgowe z wykładnikiem γ = 2. Ustalmy K << N (rozmiar elity). Niech K gdy N Niech u i, i = 1...K będą jednostkami elity w kolejności malejącego wsparcia Załóżmy, że śledzimy jednostkę ładunku która weszła do elity w u k0 następnie przechodzi u kl, k l+1 < k l (losowo) aż osiągnie u 1 Stopnie wierzchołków elity są przybliżane przez D i oznaczające liczbę jednostek ładunku która odwiedziła u i w drodze do u 1 Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 18/31
63 Rozważmy ciąg zmiennych losowych X 0, X 1, X 2,... takich, że X 0 jest jednostajne na (0, 1), X l+1 jest jednostajne na (0, X l ) dla l > 0. Zauważmy, że k l = KX l (6) Zdefiniujmy π i, i = 1...K jako prawdopodobieństwo, że jednostka ładunku odwiedzi u i. Wtedy π i = P( l k l = i) oraz dla odpowiednio dużych K mamy: { [ π i = E i 1 l, X l K, i ]}, i > 1 (7) K Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 19/31
64 W takim razie D i są wybrane losowo z rozkładu dwumianowego b(π i, n) gdzie n jest całkowitą liczbą jednostek ładunku. Zauważmy, że T l = log X l jest procesem punktowym Poissona o intensywności 1 na R +. Można zatem wnioskować, iż: { [ ( ) ( )]} π i = E i i 1 l, T l log, log 1 (8) K K i Zatem dla dużych n z prawa wielkich liczb mamy: D i n i (9) Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 20/31
65 Z tego wynika, że dla odpowiednio dużych k mamy: {i, D i > k} n k (10) a więc: {i, D i k} n k 2 (11) co dowodzi, że rozkład stopni wierzchołków spełnia prawo potęgowe z wykładnikiem γ = 2. Q.E.D. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 21/31
66 Potwierdzenie numeryczne powyższych stwierdzeń 5000 Amount of charge in 7 best units 10 4 Out degree distributions vertices 1000 vertices vertices 3000 vertices 3500 Element of support Element of support vertices 5000 vertices 500 vertices Element of support Charge Element of support Element of support Element of support Element of support Number of nodes Time (steps) x Degree Rysunek: Po lewej: ilość ładunku w kilku jednostkach o największym wsparciu. Po prawej log-logarytmiczny wykres komplementarnej dystrybuanty (CCDF) stopni wierzchołków dla różnych rozmiarów modelu. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 22/31
67 Model przepływowy a sieci neuronowe Dynamika modelu przepływowego jest odmienna od dynamiki impulsującej sieci neuronowej Pojedyncze jednostki symbolizują raczej grupy neuronów, ze względu na nietrywialną pamięć stanu Wagi krawędzi w grafie przepływowym są powiązane z korelacjami aktywności między grupami W pracy zostało zbadanych numerycznie kilka modeli opartych o grupy dynamicznych neuronów (model E. Izhikevicha [Izhikevich, 2003]) Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 23/31
68 Rysunek: Schemat modelu [Piȩkniewski, 2007] opartego o dynamiczne neurony Izhikevicha. Zestaw grup (w każdej po kilkanaście neuronów w proporcjach 1:4 tłumiących/wzmacniających), połączonych poprzez jednostki przekazujące aktywacje. Zewnętrzny graf połączeń między grupami ma wagi gaussowskie. Graph being a subject of analysis Group leader Group Neuron Small amount of random noise Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 24/31
69 Wprowadzenie W ramach symulacji udało się przebadać graf korelacji aktywności między grupami. 2 Counts (k) Degree K rc = 0.6 rc = 0.7 rc = rc= 0.5 rc= 0.6 rc= Number of nodes Counts (k) Degree histogram 4 10 Counts (k) Degree K Degree FIG. 2: (Color online) Degree distribution for three values of the 0 Degree K 10 correlation threshold. The inset depicts the degree distribution for an equivalent randomly connected network. Prob. (!)k Rysunek: Po lewej wyniki symulacji numerycznych dla układu 3000 grup neuronów (wykres log-log histogramu stopni wierzchołków) the correlation thresholds used to construct the random -2 [Pie kniewski, 2007]. prawej wyniki empiryczne uzyskane według podobnej networks are usually extremely low (rc Po 0.1) compared 10 to that used to define the functional networks (rc 0.7). metodologii w pracy [Egu i luz et al., 2005] (za zgodą autorów). Our data was also compared with values from a randomly re-wired network, where nodes keep their degree by permuting links (i.e., the link connecting nodes i, j is permuted with that connecting nodes k, l) [6] (see below). InVersion of MATLAB 10-4 Student Filip Piękniewski Spontaniczna struktura1 bezskalowa w2grafach... 25/31 0
70 W ramach dalszych badań podjęta została próba powtórzenia dużej neurosymulacji ( neuronów dynamicznych na sferze) opisanej w pracy [Izhikevich et al., 2004]. W powyższej neurosymulacji wagi między neuronami są kontrolowane przez STDP (Spike Timing Dependent Plasticity) [Izhikevich & Desai, 2003] oraz powolne zmiany niezależne od aktywności Po pobudzeniu układu losowym szumem o niewielkiej intensywności, w przeciągu niedługiego czasu w układzie następuje samoorganizacja i wykształcają się grupy synchronizowanych neuronów. W ramach pracy, planowane było przebadanie korelacji między aktywnościami grup Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 26/31
71 Wprowadzenie Rysunek: W ramach pracy udało się także odtworzyć wyniki z pracy [Izhikevich et al., 2004]. Na sferze 100 tys neuronów ze wagami kontrolowanymi przez STDP samoistnie wykształcają się grupy polichroniczne. Nie udało się jednak znaleźć prawa potęgowego w grafie korelacji dla aktywności grup. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 27/31
72 Rysunek: Przykładowe histogramy grafu korelacji (przepływów) między grupami. Wykres logarytmiczno-logarytmiczny. Dane te nie demonstrują prawa potęgowego. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 28/31
73 Dlaczego w modelu sfery neuronowej nie udało się zaobserwować prawa potęgowego? Koncepcja polichronicznej grupy jest dosyć świeża (proof of concept) i nie do końca sprecyzowana (zbiory grup bardzo zależą od tego, jaki algorytm zastosuje się do ich wyszukiwania) W trakcie symulacji grupy nie są statyczne - niektóre znikają, inne pojawiają się, a prawie wszystkie zmieniają dosyć trudno ustalić graf przepływów (korelacji) gdy jego wierzchołki znikają i pojawiają się Grupy są słabo odizolowane (istnieje duża ilość dalekich połączeń), co zakłóca pomiar korelacji Reasumując, badania te warto kontynuować, doprecyzowując pojęcie grupy i metodologię pomiaru korelacji Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 29/31
74 Dlaczego w modelu sfery neuronowej nie udało się zaobserwować prawa potęgowego? Koncepcja polichronicznej grupy jest dosyć świeża (proof of concept) i nie do końca sprecyzowana (zbiory grup bardzo zależą od tego, jaki algorytm zastosuje się do ich wyszukiwania) W trakcie symulacji grupy nie są statyczne - niektóre znikają, inne pojawiają się, a prawie wszystkie zmieniają dosyć trudno ustalić graf przepływów (korelacji) gdy jego wierzchołki znikają i pojawiają się Grupy są słabo odizolowane (istnieje duża ilość dalekich połączeń), co zakłóca pomiar korelacji Reasumując, badania te warto kontynuować, doprecyzowując pojęcie grupy i metodologię pomiaru korelacji Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 29/31
75 Dlaczego w modelu sfery neuronowej nie udało się zaobserwować prawa potęgowego? Koncepcja polichronicznej grupy jest dosyć świeża (proof of concept) i nie do końca sprecyzowana (zbiory grup bardzo zależą od tego, jaki algorytm zastosuje się do ich wyszukiwania) W trakcie symulacji grupy nie są statyczne - niektóre znikają, inne pojawiają się, a prawie wszystkie zmieniają dosyć trudno ustalić graf przepływów (korelacji) gdy jego wierzchołki znikają i pojawiają się Grupy są słabo odizolowane (istnieje duża ilość dalekich połączeń), co zakłóca pomiar korelacji Reasumując, badania te warto kontynuować, doprecyzowując pojęcie grupy i metodologię pomiaru korelacji Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 29/31
76 Dlaczego w modelu sfery neuronowej nie udało się zaobserwować prawa potęgowego? Koncepcja polichronicznej grupy jest dosyć świeża (proof of concept) i nie do końca sprecyzowana (zbiory grup bardzo zależą od tego, jaki algorytm zastosuje się do ich wyszukiwania) W trakcie symulacji grupy nie są statyczne - niektóre znikają, inne pojawiają się, a prawie wszystkie zmieniają dosyć trudno ustalić graf przepływów (korelacji) gdy jego wierzchołki znikają i pojawiają się Grupy są słabo odizolowane (istnieje duża ilość dalekich połączeń), co zakłóca pomiar korelacji Reasumując, badania te warto kontynuować, doprecyzowując pojęcie grupy i metodologię pomiaru korelacji Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 29/31
77 Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 30/31
78 Abello James, Buchsbaum Adam, & Westbrook Jeffery A functional approach to external graph algorithms. Esa 98: Proceedings of the 6th annual european symposium on algorithms, Dostȩpne na: Aiello William, Chung Fan, & Lu Linyuan A random graph model for massive graphs. Pages of: Stoc 00: Proceedings of the thirty-second annual acm symposium on theory of computing. New York, NY, USA: ACM. doi: Albert Réka, & Barabási Albert-László Statistical mechanics of complex networks. Reviews of modern physics, January, Dostȩpne na: Albert Réka, Jeong Hawoong, & Barabási Albert-László Diameter of the world-wide web. Science, 401(Septmeber), Amaral Luis A. Nunes, Scala Antonio, Barthelemy Marc, & Stanley H. Eugene Classes of small-world networks. Proc natl acad sci u s a, 97(21), Dostȩpne na: doi: /pnas Barabási Albert-László, & Albert Réka Emergence of scaling in random networks. Science, October, Dostȩpne na: Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 30/31
79 Barabási Albert-László, Jeong Hawoong, Néda Zoltan, Ravasz Erzsebet, Schubert A., & Vicsek Tamas Evolution of the social network of scientific collaborations. Physica a, 311(4), Bhalla Upinder S., & Iyengar Ravi Emergent properties of networks of biological signaling pathways. Science, 283(5400), Dostȩpne na: doi: /science Eguíluz Victor M., Chialvo Dante R., Cecchi Guillermo A., Baliki Marwan, & Apkarian A. Vania Scale-free brain functional networks. Phys rev lett, 94(1). Dostȩpne na: i Cancho Ramon Ferrer, & Solé Ricard V The small-world of human language. Proceedings of the royal society of london b, 268(1482), Izhikevich Eugene M Simple model of spiking neurons. Ieee transactions on neural networks, Dostȩpne na: Izhikevich Eugene M., & Desai Niraj S Relating STDP to BCM. Neural comp., 15(7), Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 30/31
80 Dostȩpne na: arxiv: Izhikevich Eugene M., Gally Joe A., & Edelman Gerald M Spike-timing dynamics of neuronal groups. Cerebral cortex, Dostȩpne na: Jeong Hawoong, Tombor B., Albert Réka, Oltvai Zoltan N., & Barabási Albert-László The large-scale organization of metabolic networks. Nature, 407(6804), Koch Christof, & Laurent Gilles Complexity and the Nervous System. Science, 284(5411), Dostȩpne na: arxiv: doi: /science Lotka Alfred J The frequency distribution of scientific productivity. Journal of the washington academy of sciences, 16(12), Montoya Jose M., & V. Ricard V. Solé Small world patterns in food webs. Journal of theoretical biology, 214(3), Pareto Vilfredo Cours d économie politique. Rouge, Lausanne. Filip Piękniewski Spontaniczna struktura bezskalowa w grafach... 30/31
Symulacje geometrycznych sieci neuronowych w środowisku rozproszonym
Symulacje geometrycznych sieci neuronowych w środowisku rozproszonym Jarosław Piersa, Tomasz Schreiber {piersaj, tomeks}(at)mat.umk.pl 2010-07-21 1 2 Dany podzbiór V R 3. N neuronów należących do V N Poiss(c
Bardziej szczegółowoStatystyki teoriografowe grafów funkcjonalnych w sieciach neuronowych
Statystyki teoriografowe grafów funkcjonalnych w sieciach neuronowych Wydział Matematyki i Informatyki, UMK 2011-12-21 1 Wstęp Motywacja 2 Model 3 4 Dalsze plany Referencje Motywacja 1 Wstęp Motywacja
Bardziej szczegółowoStruktury bezskalowe w rekurencyjnych sieciach neuronowych
Struktury bezskalowe w rekurencyjnych sieciach neuronowych Wydział Matematyki i Informatyki UMK Prezentacja dostępna na http://www.mat.uni.torun.pl/~philip/sem_dok2007.pdf 18 listopada 2007 1 Grafy losowe,
Bardziej szczegółowoModelowanie sieci złożonych
Modelowanie sieci złożonych B. Wacław Instytut Fizyki UJ Czym są sieci złożone? wiele układów ma strukturę sieci: Internet, WWW, sieć cytowań, sieci komunikacyjne, społeczne itd. sieć = graf: węzły połączone
Bardziej szczegółowoStruktury bezskalowe w rekurencyjnych sieciach neuronowych
Struktury bezskalowe w rekurencyjnych sieciach neuronowych Wydział Matematyki i Informatyki UMK Prezentacja na Seminarium Probabilistyczne KTPiAS dostępna na http://www.mat.uni.torun.pl/~philip/sem_2007.pdf
Bardziej szczegółowoObszary strukturalne i funkcyjne mózgu
Spis treści 2010-03-16 Spis treści 1 Spis treści 2 Jak charakteryzować grafy? 3 4 Wielkości charakterystyczne Jak charakteryzować grafy? Średni stopień wierzchołków Rozkład stopni wierzchołków Graf jest
Bardziej szczegółowoSieci bezskalowe. Filip Piękniewski
Wydział Matematyki i Informatyki UMK Prezentacja na Seminarium Doktoranckie dostępna na http://www.mat.uni.torun.pl/ philip/sem-2008-2.pdf 24 listopada 2008 1 Model Erdős a-rényi Przejścia fazowe w modelu
Bardziej szczegółowoPrawa potęgowe w grafach przepływu informacji dla geometrycznych sieci neuronowych
w grafach przepływu informacji dla geometrycznych sieci neuronowych www.mat.uni.torun.pl/~piersaj 2009-06-10 1 2 3 symulacji Graf przepływu ładunku Wspóczynnik klasteryzacji X (p) p α Rozkłady prawdopodobieństwa
Bardziej szczegółowodraft Prawa bezskalowe w grafach przepływu informacji dla geometrycznych sieci neuronowych, symulacje w środowisku współbieżnym
Prawa bezskalowe w grafach przepływu informacji dla geometrycznych sieci neuronowych, symulacje w środowisku współbieżnym Jarosław Piersa, Tomasz Schreiber Uniwersytet Mikołaja Kopernika, Wydział Matematyki
Bardziej szczegółowoGrafy Alberta-Barabasiego
Spis treści 2010-01-18 Spis treści 1 Spis treści 2 Wielkości charakterystyczne 3 Cechy 4 5 6 7 Wielkości charakterystyczne Wielkości charakterystyczne Rozkład stopnie wierzchołków P(deg(x) = k) Graf jest
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda
Wstęp do sieci neuronowych, wykład 9. M. Czoków, J. Piersa 2010-12-07 1 Sieci skierowane 2 Modele sieci rekurencyjnej Energia sieci 3 Sieci skierowane Sieci skierowane Sieci skierowane graf połączeń synaptycznych
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda
Wstęp do sieci neuronowych, wykład 10. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-13 1 Modele sieci rekurencyjnej Energia sieci 2 3 Modele sieci
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoWarsztaty metod fizyki teoretycznej
Warsztaty metod fizyki teoretycznej Zestaw 6 Układy złożone- sieci w otaczającym nas świecie Marcin Zagórski, Jan Kaczmarczyk 17.04.2012 1 Wprowadzenie W otaczającym nas świecie odnajdujemy wiele struktur,
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda
Wstęp do sieci neuronowych, wykład 9. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-12-10 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu
Bardziej szczegółowoDeska Galtona. Adam Osękowski. Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski
a schemat Bernoulliego Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski XV Festiwal Nauki, 21 września 2011r. a schemat Bernoulliego Schemat Bernoulliego B(n, p)
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 8 Uczenie nienadzorowane.
Wstęp do sieci neuronowych, wykład 8. M. Czoków, J. Piersa, A. Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika w Toruniu 1-811-6 Projekt pn. Wzmocnienie potencjału dydaktycznego
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej
Wstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2013-01-09
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda
Wstęp do sieci neuronowych, wykład 10. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-12-19 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane.
Wstęp do sieci neuronowych, wykład 7. M. Czoków, J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika w Toruniu 212-11-28 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu
Bardziej szczegółowoPOISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH
POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoPrzejście fazowe w sieciach złożonych w modelu Axelroda
Przejście fazowe w sieciach złożonych w modelu Axelroda Korzeń W., Maćkowski M., Rozwadowski P., Szczeblewska P., Sznajder W. 1 Opiekun: Tomasz Raducha 1 Uniwersytet Warszawski, Wydział Fizyki 3 Streszczenie
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoW sieci małego świata od DNA po facebooka. Dr hab. Katarzyna Sznajd-Weron, prof. PWr.
W sieci małego świata od DNA po facebooka Dr hab. Katarzyna Sznajd-Weron, prof. PWr. Plan Co to jest sieć? Przykłady sieci złożonych Cechy rzeczywistych sieci Modele sieci Sieci złożone i układy złożone
Bardziej szczegółowoWstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty
Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoSieci złożone. Modelarnia 2014/2015 Katarzyna Sznajd-Weron
Sieci złożone Modelarnia 2014/2015 Katarzyna Sznajd-Weron Sieć = network Węzły Węzły jednego typu lub wielu Połączenia Połączenia kierunkowe lub nie Czy fizycy zawsze muszą mieć inne zdanie? Fizycy sieć
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane.
Wstęp do sieci neuronowych, wykład 7. M. Czoków, J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika w Toruniu 213-11-19 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Bardziej szczegółowoNowy generator grafów dwudzielnych
Nowy generator grafów dwudzielnych w analizie systemów rekomendujących Szymon Chojnacki Instytut Podstaw Informatyki Polskiej Akademii Nauk 08 marca 2011 roku Plan prezentacji 1 Wprowadzenie 2 Dane rzeczywiste
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoPrzejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym
Przejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym Piotr Nyczka Institute of Theoretical Physics University of Wrocław Artykuły Opinion dynamics as a movement in a bistable potential
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoPrawo Zipfa zjawiska (I)
Prawo Zipfa zjawiska (I) Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN 1 Lista rangowa 2 Prawo Zipfa 3 Odkrywcy i badacze 4 Zależność od definicji okazu i typu 5 Prawo Lotki
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoDetekcja motywów w złożonych strukturach sieciowych perspektywy zastosowań Krzysztof Juszczyszyn
Detekcja motywów w złożonych strukturach sieciowych perspektywy zastosowań Krzysztof Juszczyszyn Instytut Informatyki Technicznej PWr MOTYWY SIECIOWE -NETWORK MOTIFS 1. Co to jest? 2. Jak mierzyć? 3. Gdzie
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoAlgorytm Grovera. Kwantowe przeszukiwanie zbiorów. Robert Nowotniak
Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej Politechnika Łódzka 13 listopada 2007 Plan wystapienia 1 Informatyka Kwantowa podstawy 2 Opis problemu (przeszukiwanie zbioru) 3 Intuicyjna
Bardziej szczegółowoPropensity Score Matching
Zajęcia 2 Plan dzisiejszych zajęć 1 Doświadczenia Idealne doświadczenie Nie-idealne doświadczenia 2 Idealne doświadczenie Nie-idealne doświadczenia Plan idealnego doświadczenia (eksperymentu) Plan doświadczenia
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowodla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.
Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *
Bardziej szczegółowoSTOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI
1-2011 PROBLEMY EKSPLOATACJI 89 Franciszek GRABSKI Akademia Marynarki Wojennej, Gdynia STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI Słowa kluczowe Bezpieczeństwo, procesy semimarkowskie,
Bardziej szczegółowoMatematyka dyskretna
Matematyka dyskretna Wykład 13: Teoria Grafów Gniewomir Sarbicki Literatura R.J. Wilson Wprowadzenie do teorii grafów Definicja: Grafem (skończonym, nieskierowanym) G nazywamy parę zbiorów (V (G), E(G)),
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoWykładnicze grafy przypadkowe: teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych
Gdańsk, Warsztaty pt. Układy Złożone (8 10 maja 2014) Agata Fronczak Zakład Fizyki Układów Złożonych Wydział Fizyki Politechniki Warszawskiej Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoRównowaga Heidera symulacje mitozy społecznej
Równowaga Heidera symulacje mitozy społecznej Przemysław Gawroński Katedra Informatyki Stosowanej we współpracy z Krzysztofem Kułakowskim, Piotrem Gronkiem Plan Klasyczny model równowagi Heidera. Skala
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoWykład 9: Markov Chain Monte Carlo
RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 03 (uzupełnienie Wykładu 02) Jarosław Miszczak IITiS PAN Gliwice 31/03/2016 1 / 17 1 2 / 17 Dynamika populacji Równania Lotki-Voltery opisują model drapieżnik-ofiara.
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoKorelacje krzyżowe kryzysów finansowych w ujęciu korelacji potęgowych. Analiza ewolucji sieci na progu liniowości.
Korelacje krzyżowe kryzysów finansowych w ujęciu korelacji potęgowych. Analiza ewolucji sieci na progu liniowości. Cross-correlations of financial crisis analysed by power law classification scheme. Evolving
Bardziej szczegółowoMateriały dla finalistów
Materiały dla finalistów Malachoviacus Informaticus 2016 11 kwietnia 2016 Wprowadzenie Poniższy dokument zawiera opisy zagadnień, które będą niezbędne do rozwiązania zadań w drugim etapie konkursu. Polecamy
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
www.math.uni.lodz.pl/ radmat Przeszukiwanie z ograniczeniami Zagadnienie przeszukiwania z ograniczeniami stanowi grupę problemów przeszukiwania w przestrzeni stanów, które składa się ze: 1 skończonego
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli
Bardziej szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowoZakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji.
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Centralne Twierdzenie Graniczne 1.1 Twierdzenie Lindeberga Levy'ego 1.2 Dowód 1.2.1 funkcja tworząca sumy zmiennych niezależnych 1.2.2 pochodna funkcji
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoN ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:
Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )
Bardziej szczegółowoMODELOWANIE ZMIENNOŚCI CEN AKCJI MODEL ADDYTYWNY MODEL MULTIPLIKATYWNY
MODELOWANIE ZMIENNOŚCI CEN AKCJI MODEL ADDYTYWNY MODEL MULTIPLIKATYWNY Modele zmienności aktywów z czasem dyskretnym / Model addytywny Przyjmijmy następujące oznaczenia: S(0) - cena początkowa akcji S(k)
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną
Bardziej szczegółowoSymulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty. Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu
Symulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu Plan prezentacji 1. Opis metody wyceny opcji rzeczywistej
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoPrzykłady grafów. Graf prosty, to graf bez pętli i bez krawędzi wielokrotnych.
Grafy Graf Graf (ang. graph) to zbiór wierzchołków (ang. vertices), które mogą być połączone krawędziami (ang. edges) w taki sposób, że każda krawędź kończy się i zaczyna w którymś z wierzchołków. Graf
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 14 Maszyna Boltzmanna
do sieci neuronowych, wykład 14 Maszyna Boltzmanna M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toruń, Poland 2014-01-21 Problemy z siecią Hopfilda
Bardziej szczegółowoZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW
ZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW NIEDETERMINISTYCZNE MASZYNY TURINGA Bartosz Zieliński Katedra Fizyki Teoretycznej i Informatyki Zima 2011-2012 NIEDETERMINISTYCZNE MASZYNY TURINGA DEFINICJA: NIEDETERMINISTYCZNA
Bardziej szczegółowoWłaściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa.
Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 16 stycznia 2006 Streszczenie W artykule analizowane są właściwości
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Ewa Dziawgo WYCENA POTĘGOWEJ ASYMETRYCZNEJ OPCJI KUPNA
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Ewa Dziawgo WYCENA POTĘGOWEJ
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-10 Projekt pn. Wzmocnienie
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza
Bardziej szczegółowoDrugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A
Drugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A Zad. 1. Korzystając z podanych poniżej mini-tablic, oblicz pierwszy, drugi i trzeci kwartyl rozkładu N(10, 2 ). Rozwiązanie. Najpierw ogólny komentarz
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA
AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej KATEDRA MATEMATYKI TEMAT PRACY: ROZKŁAD NORMALNY ROZKŁAD GAUSSA AUTOR: BARBARA MARDOSZ Kraków, styczeń 2008 Spis treści 1 Wprowadzenie 2 2 Definicja
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoWprowadzenie do pulsujących sieci neuronowych
Zakład Algebry i Kombinatoryki Wydział Matematyki i Nauk Informacyjnych 31 maja 2017 Wstęp Plan prezentacji Biologiczna inspiracja modeli neuronów. Modelowe neuronów naturalnych. Neurony trzeciej generacji
Bardziej szczegółowoOgólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009
Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoProgram MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r=
Program MC Napisać program symulujący twarde kule w zespole kanonicznym. Dla N > 100 twardych kul. Gęstość liczbowa 0.1 < N/V < 0.4. Zrobić obliczenia dla 2,3 różnych wartości gęstości. Obliczyć radialną
Bardziej szczegółowo