" «Пластичность» - одно из величайших открытий современной науки, но нейробиолог David Eagleman считает, что это слово вводит в заблуждение. В отличие от пластика, который формирует, а затем сохраняет определенную форму, физическая структура мозга постоянно меняется. Но David Eagleman не может избежать этого слова. «Во всей литературе используется этот термин« пластичность », поэтому я использую его редко», - говорит он. David Eagleman также не принимает во внимание компьютерные аналогии с мозгом. Он ввел термин “livewired”(«живой провод») (название своей новой книги), чтобы указать на то, что аппаратное и программное обеспечение мозга практически неразделимы.

Eagleman - человек невероятной энергии. Адъюнкт-профессор Стэнфордского университета, он также был писателем, телеведущим на канале PBS « The Brain» и научным консультантом сериала HBO « Мир Дикого Запада» . Сейчас он генеральный директор компании NeoSensory из Кремниевой долины, которая разрабатывает гаджеты, которые отправляют потоки данных в мозг, чтобы люди могли слышать «видеть» и «слышать» своей кожей.

Я разговаривал с Иглманом о том, как нейроны конкурируют друг с другом, возможно ли для людей получить совершенно новый сенсорный опыт и почему он считает, что «вы - ваш мозг»..."

The default network of the human brain is associated with perceived social isolation.

"Люди выживают и процветают благодаря социальному обмену. Тем не менее, социальная зависимость также имеет свою цену. Воспринимаемая социальная изоляция или одиночество влияет на физическое и психическое здоровье, когнитивные способности, общую продолжительность жизни и увеличивает уязвимость к деменции, связанной с болезнью Альцгеймера. Несмотря на серьезные последствия для поведения и здоровья, нейронная основа одиночества остается неуловимой. Используя когорту популяционной визуализации и генетики Биобанка Великобритании ( n = ~ 40 000, возраст 40–69 лет на момент набора, средний возраст = 54,9), мы проверяем признаки одиночества в морфологии серого вещества, внутренней функциональной связи и микроструктуре волоконного тракта. Нейробиологические профили, связанные с одиночеством, сходятся в наборе областей мозга, известных как «сеть по умолчанию». Эта более высокая ассоциативная сеть показывает ..."

FLAVR: Flow-Agnostic Video Representations for Fast Frame Interpolation

​"В мозге млекопитающих аллоцентрические представления поддерживают эффективное самоопределение и гибкую навигацию. Был идентифицирован ряд различных популяций этих пространственных реакций, но не было показано, что объединенная функция объясняет их появление. Здесь мы разработали сеть, обученную с простой целью прогнозирования, которая была способна отображать эгоцентрическую информацию в аллоцентрическую пространственную систему отсчета. Предсказания визуальных входов было достаточно, чтобы вызвать появление пространственных представлений, похожих на те, что наблюдаются у грызунов: направление головы, вектор границы и клетки места, наряду с недавно обнаруженными эгоцентрическими граничными клетками, предполагая, что прогнозирующее кодирование является принципом их появления у животных. . Сеть изучила решение для конвергентного отслеживания направления головы с известной биологической связью, предполагая возможный механизм переназначения граничных ячеек. Более того, как и в случае с представлениями млекопитающих, реакции были устойчивыми к манипуляциям со средой, включая воздействие новых настроек, и могли воспроизводиться в отсутствие перцептивного ввода, предоставляя средства для автономного обучения. В отличие от существующих подходов к обучению с подкреплением, агенты, оснащенные этой сетью, могли гибко повторно использовать выученные модели поведения, быстро приспосабливаясь к незнакомой среде. Таким образом, наши результаты показывают, что эти представления, полученные из простой эгоцентрической системы прогнозирования, образуют эффективный базис для когнитивного картирования. и может быть воспроизведен в отсутствие перцептивного ввода, предоставляя средства для автономного обучения. В отличие от существующих подходов к обучению с подкреплением, агенты, оснащенные этой сетью, могли гибко повторно использовать выученные модели поведения, быстро приспосабливаясь к незнакомой среде. Таким образом, наши результаты показывают, что эти представления, полученные из простой эгоцентрической системы прогнозирования, образуют эффективный базис для когнитивного картирования. и может быть воспроизведен в отсутствие перцептивного ввода, предоставляя средства для автономного обучения. В отличие от существующих подходов к обучению с подкреплением, агенты, оснащенные этой сетью, могли гибко повторно использовать выученные модели поведения, быстро приспосабливаясь к незнакомой среде. Таким образом, наши результаты показывают, что эти представления, полученные из простой эгоцентрической системы прогнозирования, образуют эффективный базис для когнитивного картирования..."

Visualisation of the attention patterns of Vision Transformer

Sketch Generation with Drawing Process Guided by Vector Flow and Grayscale

pi-GAN: Periodic Implicit Generative Adversarial Networks
for 3D-Aware Image Synthesis

AI для творцов. Посмотрите, как вы можете использовать свой голос для создания фотореалистичных изображений. NVIDIA Jarvis + GauGAN

Roof-GAN: Learning to Generate Roof Geometry and Relations for Residential Houses

Запускается цикл онлайн лекций по искусственному интеллекту "Samsung AI Innovation Campus - Russia". Авторы вебинаров - специалисты Samsung Research Russia, Института системного программирования РАН и других компаний.

Первая лекция цикла - "Как эффективно проводить эксперименты: базовая структура проекта, процесс перебора гипотез, трюки для обучения нейросетей" от известного вам Романа Суворова, автора курса по NLP, ведущего инженера московского Центра ИИ Samsung.

Лекция состоится 23 декабря в 14 часов московского времени.

Learning to Recover 3D Scene Shape from a Single Image

YolactEdge: Real-time Instance Segmentation on the Edge (Jetson AGX Xavier: 30 FPS, RTX 2080 Ti: 170 FPS)

Real Multi Agent RL!)))))

Watching transformers do their thing in 3D

"Развитие алгоритмов обучения с подкреплением
1 Введение
Разработка новых алгоритмов глубокого обучения с подкреплением, которые могут эффективно решать самые разнообразные задачи, как правило, требует огромного количества ручных усилий. Обучение разработке алгоритмов обучения
подкреплению или даже небольших субкомпонентов алгоритмов поможет облегчить эту
нагрузку и может привести к созданию более совершенных алгоритмов, чем исследователи могли бы разработать вручную. Тогда наша работа может перейти
от разработки этих алгоритмов вручную к разработке языка и
методов оптимизации для автоматической разработки этих алгоритмов.
Алгоритмы обучения с подкреплением можно рассматривать как процедуру, которая сопоставляет опыт агента
с политикой, которая получает высокую совокупную награду в течение обучения..."

Sparse Single Sweep LiDAR Point Cloud Segmentation via Learning Contextual Shape Priors from Scene Completion

Новое исследование искусственного интеллекта, которое поможет предсказать потребности в ресурсах COVID-19 на основе серии рентгеновских снимков