Глубокое обучение и развитие сложности

Искусственный интеллект - это серьезный вызов для человечества и для ученых в области информатики в частности. Почему серьезные ? Изначально существовало много одноклеточных организмов, которые вдруг превратились в сложные структуры, которые пишут, читают такие дипломы, ищут новизну и задаются вопросами спустя миллиарды лет эволюции. Мы привыкли думать, что вопрос эволюции решен, но если вдуматься, то станет понятно, что эволюция - это некоторый алгоритм, который создал все во вселенной и все ее разнообразие со всей ее сложностью, после таких мыслей вопрос о решенной эволюции становится уже не таким очевидным. Большинство методов машинного обучения сейчас просто решают одну или несколько задач, минимизируя некоторую функцию потерять, чтобы приблизиться к данным, на которых они обучаются и нам этого будто бы достаточно. Исключениями являются генеративные сети, которые выучивают некоторое распределение и алгоритмы обучения с подкреплением, где агент реагирует на среду и совершает действия внутри нее, но и они увеличивают некоторую награду. Главное отличие между какой-нибудь линейной регрессией и самой современной генеративной моделью по большому счету заключается лишь в сложности того, что в них происходит. И, кажется, что сложные вещи часто выучиваются случайно: точно так же, как и человек не появлялся для интеллекта, сознания и прочих вещей. Поэтому возникает непростой вопрос: можем ли как-то напрямую увеличивать сложность моделей, сгенерированных картинок и тд. , чтобы избежать тонны бесполезных, простых результатов ? В этой работе мы расскажем про некоторые модели из глубинного обучения, обсудим сложность, которая была введена в статье [1] и попытаемся вручную усложнить то, что производят простые генеративные модели, современная генеративная сеть и попытаемся использовать сложность в качестве помощника для предсказания временных рядов, обобщив эту сложность на эти же самые временные ряды.