🔴💥پیشبینی ترافیک با استفاده از شبکههای عصبی گرافی پیشرفته💥🔴
قسمت اول:
تیم DeepMind با همکاری Google میتواند مزایای هوش مصنوعی را برای میلیاردها نفر در سراسر جهان به ارمغان بیاورد. از اتحاد مجدد یک کاربر دارای اختلال گفتار با صدای اصلی خود گرفته تا کمک به کاربران برای کشف برنامه های شخصی سازی شده، می توان تحقیقاتی را برای مشکلات دنیای واقعی در مقیاس Google اعمال کرد.
*همکاری با گوگل مپ:
مردم برای پیشبینی دقیق ترافیک و زمان تخمینی ورود (ETA) به Google Maps متکی هستند. اینها ابزارهای مهم و مفیدی هستند؛ مخصوصاً در مواقعی که باید در اطراف ترافیک راه بیفتید، اگر باید به دوستان و خانواده اطلاع دهید که دیر میکنید، یا اگر باید به موقع در یک جلسه مهم شرکت کنید. این ویژگیها همچنین برای کسب و کارهایی مانند شرکتهای اشتراکگذاری سواری، که از پلتفرم نقشههای Google استفاده میکنند تا خدمات خود را با اطلاعاتی درباره زمانهای تحویل، همراه با قیمتهای تخمینی بر اساس مدت سفر، تقویت کنند.
محققان DeepMind با تیم Google Maps همکاری کرده اند تا دقت ETAهای بلادرنگ را تا 50 درصد در مکان هایی مانند برلین، جاکارتا، سائوپائولو، سیدنی، توکیو و واشنگتن دی سی با استفاده از تکنیک های پیشرفته یادگیری ماشین از جمله شبکه های عصبی گرافی بهبود بخشند.
*چگونه گوگل مپ ETA ها را پیش بینی می کند؟
برای محاسبه ETA، گوگل مپ دادههای ترافیک زنده را برای بخشهای جاده در سراسر جهان تجزیه و تحلیل میکند. در حالی که این دادهها تصویر دقیقی از ترافیک فعلی به Google Maps ارائه میدهند، اما ترافیکی را که راننده میتواند انتظار ۱۰، ۲۰ یا حتی ۵۰ دقیقه رانندگی خود را داشته باشد، محاسبه نمیکند. برای پیشبینی دقیق ترافیک آینده، Google Maps از یادگیری ماشینی برای ترکیب شرایط ترافیکی زنده با الگوهای ترافیکی تاریخی جادههای سراسر جهان استفاده میکند. این فرآیند به دلایل متعددی پیچیده است. به عنوان مثال - حتی اگر ساعت شلوغی به طور اجتناب ناپذیری هر روز صبح و عصر اتفاق می افتد، زمان دقیق ساعت شلوغی می تواند به طور قابل توجهی از روز به روز و ماه به ماه متفاوت باشد. عوامل اضافی مانند کیفیت جاده، محدودیت سرعت، تصادفات و بسته شدن [راه] نیز می توانند به پیچیدگی مدل پیش بینی بیفزایند.
تیمDeepMind با Google Maps همکاری کرد تا به بهبود دقت ETA خود در سراسر جهان کمک کند. در حالی که ETA های پیشبینیکننده Google Maps برای بیش از 97٪ سفرها به طور مداوم دقیق بوده است، این همکاری باعث شد تا نادرستیهای باقیمانده را حتی بیشتر به حداقل رساند؛ گاهی اوقات بیش از 50٪ در شهرهایی مانند تایچونگ. برای انجام این کار در مقیاس جهانی، از یک معماری یادگیری ماشین تعمیمیافته به نام شبکههای عصبی گراف استفاده شد که به امکان میدهد با استفاده از سوگیریهای یادگیری رابطهای، استدلال مکانی-زمانی را برای مدلسازی ساختار اتصال شبکههای جادهای در دنیای واقعی انجام داد. در اینجا نحوه عملکرد آن آمده است:
*تقسیم جاده های جهان به Supersegments:
شبکههای جادهای به «ابر بخش» تقسیم شد که از چندین بخش مجاور جاده که حجم ترافیک قابل توجهی را به اشتراک میگذارند، تشکیل شده است. در حال حاضر، سیستم پیشبینی ترافیک Google Maps از اجزای زیر تشکیل شده است:
(۱) یک تحلیلگر مسیر که ترابایت اطلاعات ترافیک را برای ساختن Supersegments پردازش میکند و (۲) یک مدل شبکه عصبی گرافیکی جدید، که با اهداف متعدد بهینه شده و زمان سفر را برای هر ابربخش پیشبینی میکند.
بزرگترین چالشی که هنگام ایجاد یک سیستم ماشین لرنینگ برای تخمین زمان سفر با استفاده از Supersegments باید حل شود، یک چالش معماری است. چگونه نمونه هایی با اندازه پویا از بخش های متصل را با دقت دلخواه به گونه ای نشان دهیم که یک مدل واحد بتواند به موفقیت برسد؟
ادامه دارد... .
✏مترجم: محدثه بنائی، خسرو همت
✅@PSA_AUT
قسمت اول:
تیم DeepMind با همکاری Google میتواند مزایای هوش مصنوعی را برای میلیاردها نفر در سراسر جهان به ارمغان بیاورد. از اتحاد مجدد یک کاربر دارای اختلال گفتار با صدای اصلی خود گرفته تا کمک به کاربران برای کشف برنامه های شخصی سازی شده، می توان تحقیقاتی را برای مشکلات دنیای واقعی در مقیاس Google اعمال کرد.
*همکاری با گوگل مپ:
مردم برای پیشبینی دقیق ترافیک و زمان تخمینی ورود (ETA) به Google Maps متکی هستند. اینها ابزارهای مهم و مفیدی هستند؛ مخصوصاً در مواقعی که باید در اطراف ترافیک راه بیفتید، اگر باید به دوستان و خانواده اطلاع دهید که دیر میکنید، یا اگر باید به موقع در یک جلسه مهم شرکت کنید. این ویژگیها همچنین برای کسب و کارهایی مانند شرکتهای اشتراکگذاری سواری، که از پلتفرم نقشههای Google استفاده میکنند تا خدمات خود را با اطلاعاتی درباره زمانهای تحویل، همراه با قیمتهای تخمینی بر اساس مدت سفر، تقویت کنند.
محققان DeepMind با تیم Google Maps همکاری کرده اند تا دقت ETAهای بلادرنگ را تا 50 درصد در مکان هایی مانند برلین، جاکارتا، سائوپائولو، سیدنی، توکیو و واشنگتن دی سی با استفاده از تکنیک های پیشرفته یادگیری ماشین از جمله شبکه های عصبی گرافی بهبود بخشند.
*چگونه گوگل مپ ETA ها را پیش بینی می کند؟
برای محاسبه ETA، گوگل مپ دادههای ترافیک زنده را برای بخشهای جاده در سراسر جهان تجزیه و تحلیل میکند. در حالی که این دادهها تصویر دقیقی از ترافیک فعلی به Google Maps ارائه میدهند، اما ترافیکی را که راننده میتواند انتظار ۱۰، ۲۰ یا حتی ۵۰ دقیقه رانندگی خود را داشته باشد، محاسبه نمیکند. برای پیشبینی دقیق ترافیک آینده، Google Maps از یادگیری ماشینی برای ترکیب شرایط ترافیکی زنده با الگوهای ترافیکی تاریخی جادههای سراسر جهان استفاده میکند. این فرآیند به دلایل متعددی پیچیده است. به عنوان مثال - حتی اگر ساعت شلوغی به طور اجتناب ناپذیری هر روز صبح و عصر اتفاق می افتد، زمان دقیق ساعت شلوغی می تواند به طور قابل توجهی از روز به روز و ماه به ماه متفاوت باشد. عوامل اضافی مانند کیفیت جاده، محدودیت سرعت، تصادفات و بسته شدن [راه] نیز می توانند به پیچیدگی مدل پیش بینی بیفزایند.
تیمDeepMind با Google Maps همکاری کرد تا به بهبود دقت ETA خود در سراسر جهان کمک کند. در حالی که ETA های پیشبینیکننده Google Maps برای بیش از 97٪ سفرها به طور مداوم دقیق بوده است، این همکاری باعث شد تا نادرستیهای باقیمانده را حتی بیشتر به حداقل رساند؛ گاهی اوقات بیش از 50٪ در شهرهایی مانند تایچونگ. برای انجام این کار در مقیاس جهانی، از یک معماری یادگیری ماشین تعمیمیافته به نام شبکههای عصبی گراف استفاده شد که به امکان میدهد با استفاده از سوگیریهای یادگیری رابطهای، استدلال مکانی-زمانی را برای مدلسازی ساختار اتصال شبکههای جادهای در دنیای واقعی انجام داد. در اینجا نحوه عملکرد آن آمده است:
*تقسیم جاده های جهان به Supersegments:
شبکههای جادهای به «ابر بخش» تقسیم شد که از چندین بخش مجاور جاده که حجم ترافیک قابل توجهی را به اشتراک میگذارند، تشکیل شده است. در حال حاضر، سیستم پیشبینی ترافیک Google Maps از اجزای زیر تشکیل شده است:
(۱) یک تحلیلگر مسیر که ترابایت اطلاعات ترافیک را برای ساختن Supersegments پردازش میکند و (۲) یک مدل شبکه عصبی گرافیکی جدید، که با اهداف متعدد بهینه شده و زمان سفر را برای هر ابربخش پیشبینی میکند.
بزرگترین چالشی که هنگام ایجاد یک سیستم ماشین لرنینگ برای تخمین زمان سفر با استفاده از Supersegments باید حل شود، یک چالش معماری است. چگونه نمونه هایی با اندازه پویا از بخش های متصل را با دقت دلخواه به گونه ای نشان دهیم که یک مدل واحد بتواند به موفقیت برسد؟
ادامه دارد... .
✏مترجم: محدثه بنائی، خسرو همت
✅@PSA_AUT
⏳ رویداد حضوری در دانشگاه صنعتی شریف
🏭 در گیمین ۲۰۲۲، بازی کن، یاد بگیر و قهرمان شو!
🏆 بیش از ۱۰۰ میلیون تومان جایزه برای تیمهای برتر
💻 در دنیای شبیهسازیشدهٔ گیمین، کسبوکارتو مدیریت کن و هیجانو تجربه کن!
🌎 یه رقابت بینالمللی که توسط انجمن علمی دانشکدهٔ مهندسی صنایع شریف برگزار میشه
✅ همین حالا، در گیمین ثبتنام کن و همراه خانوادهٔ بزرگ گیمین شو 👇🏻
🌐 https://b2n.ir/j20220 🌐
🆔 @Gamein_Sharif
🏭 در گیمین ۲۰۲۲، بازی کن، یاد بگیر و قهرمان شو!
🏆 بیش از ۱۰۰ میلیون تومان جایزه برای تیمهای برتر
💻 در دنیای شبیهسازیشدهٔ گیمین، کسبوکارتو مدیریت کن و هیجانو تجربه کن!
🌎 یه رقابت بینالمللی که توسط انجمن علمی دانشکدهٔ مهندسی صنایع شریف برگزار میشه
✅ همین حالا، در گیمین ثبتنام کن و همراه خانوادهٔ بزرگ گیمین شو 👇🏻
🌐 https://b2n.ir/j20220 🌐
🆔 @Gamein_Sharif
👍1
🔴💥پیشبینی ترافیک با استفاده از شبکههای عصبی گرافی پیشرفته💥🔴
قسمت دوم:
اثبات اولیه مفهوم با یک رویکرد مستقیم شروع شد، تا آنجا که ممکن بود از سیستم ترافیک موجود استفاده میکرد، بهویژه بخشبندی موجود شبکههای جادهای و خط لوله داده بلادرنگ مربوط به آن. Supersegment، مجموعهای از بخشهای جاده را پوشش میدهد که در آن هر بخش دارای طول خاص و ویژگیهای سرعت مربوطه است. در ابتدا یک مدل شبکه عصبی کاملا متصل برای هر Supersegment آموزش داده میشود. این نتایج اولیه امیدوارکننده بودند و پتانسیل استفاده از شبکههای عصبی را برای پیشبینی زمان سفر نشان دادند. با این حال، با توجه به اندازههای دینامیکی Supersegments، به یک مدل شبکه عصبی آموزشدیده جداگانه برای هر یک نیاز بود. برای گسترش مقیاس، باید میلیونها مدل از این مدل را آموزش دهیم که چالش زیرساختی قابلتوجهی را ایجاد میکند. این ما را بر آن داشت تا مدلهایی را بررسی کنیم که میتوانند توالیهای طول متغیر را مدیریت کنند، مانند شبکههای عصبی بازگشتی (RNN).
با این حال، ترکیب ساختار بیشتر از شبکه جاده دشوار بود. در عوض، تصمیم گرفتیم از شبکه های عصبی گراف استفاده کنیم. در مدلسازی ترافیک، به نحوه عبور خودروها از طریق شبکهای از جادهها علاقهمندیم و شبکههای عصبی نمودار میتوانند پویایی شبکه و انتشار اطلاعات را مدلسازی کنند.
مدل ما، شبکه جاده محلی را به عنوان یک گراف در نظر میگیرد که در آن هر بخش مسیر مربوط به یک گره است و یالهایی بین بخشهایی وجود دارد که در همان جاده متوالی هستند یا از طریق یک تقاطع به هم متصل میشوند. در یک شبکه عصبی گراف، یک الگوریتم ارسال پیام اجرا میشود که در آن پیامها و تأثیر آنها بر حالتهای یال و گره توسط شبکههای عصبی یاد گرفته میشود. از این منظر، Supersegments، زیرگراف های جاده هستند که به صورت تصادفی متناسب با تراکم ترافیک نمونه برداری شدند. بنابراین یک مدل واحد را می توان با استفاده از این زیرگراف های نمونه آموزش داد و می تواند در مقیاس به کار گرفته شود.
شبکههای عصبی گراف، سوگیری یادگیری تحمیلشده توسط شبکههای عصبی کانولوشن و شبکههای عصبی تکراری را با تعمیم مفهوم «مجاور بودن» گسترش میدهند و به ما این امکان را میدهند تا ارتباطات پیچیده دلخواهی داشته باشیم تا نه تنها ترافیک مقابل یا پشت خود، بلکه در امتداد جادههای مجاور و متقاطع را مدیریت کنیم. در یک شبکه عصبی گراف، گره های مجاور پیام هایی را به یکدیگر ارسال می کنند. با حفظ این ساختار، یک سوگیری محلی را تحمیل میکنیم که در آن گرهها راحتتر به گرههای مجاور مربوط می شوند (این فقط به یک مرحله ارسال پیام نیاز دارد). این مکانیسمها به شبکههای عصبی گراف اجازه میدهند تا از ساختار اتصال شبکه جادهها به طور مؤثرتری استفاده کنند.
آزمایشهای ما دستاوردهایی را در قدرت پیشبینی از گسترش به جادههای مجاور که بخشی از جاده اصلی نیستند، نشان دادهاند. به عنوان مثال، به این فکر کنید که چگونه یک شلوغی در یک خیابان فرعی می تواند بر ترافیک یک جاده بزرگتر تأثیر بگذارد. با پوشش تقاطع های متعدد، این مدل توانایی پیش بینی بومی تاخیر در پیچ ها، تاخیرهای ناشی از ادغام و زمان کلی پیمایش در ترافیک توقف و حرکت را به دست می آورد. این توانایی شبکههای عصبی گراف برای تعمیم بر فضاهای ترکیبی، همان چیزی است که به تکنیک مدلسازی ما قدرت میدهد. هر Supersegment که میتواند طول و پیچیدگی متفاوتی داشته باشد - از مسیرهای ساده دو بخش تا مسیرهای طولانیتر شامل صدها گره - میتواند توسط همان مدل شبکه عصبی گراف پردازش شود.
ادامهدارد... .
✏مترجم: محدثه بنائی، خسرو همت
✅@PSA_AUT
قسمت دوم:
اثبات اولیه مفهوم با یک رویکرد مستقیم شروع شد، تا آنجا که ممکن بود از سیستم ترافیک موجود استفاده میکرد، بهویژه بخشبندی موجود شبکههای جادهای و خط لوله داده بلادرنگ مربوط به آن. Supersegment، مجموعهای از بخشهای جاده را پوشش میدهد که در آن هر بخش دارای طول خاص و ویژگیهای سرعت مربوطه است. در ابتدا یک مدل شبکه عصبی کاملا متصل برای هر Supersegment آموزش داده میشود. این نتایج اولیه امیدوارکننده بودند و پتانسیل استفاده از شبکههای عصبی را برای پیشبینی زمان سفر نشان دادند. با این حال، با توجه به اندازههای دینامیکی Supersegments، به یک مدل شبکه عصبی آموزشدیده جداگانه برای هر یک نیاز بود. برای گسترش مقیاس، باید میلیونها مدل از این مدل را آموزش دهیم که چالش زیرساختی قابلتوجهی را ایجاد میکند. این ما را بر آن داشت تا مدلهایی را بررسی کنیم که میتوانند توالیهای طول متغیر را مدیریت کنند، مانند شبکههای عصبی بازگشتی (RNN).
با این حال، ترکیب ساختار بیشتر از شبکه جاده دشوار بود. در عوض، تصمیم گرفتیم از شبکه های عصبی گراف استفاده کنیم. در مدلسازی ترافیک، به نحوه عبور خودروها از طریق شبکهای از جادهها علاقهمندیم و شبکههای عصبی نمودار میتوانند پویایی شبکه و انتشار اطلاعات را مدلسازی کنند.
مدل ما، شبکه جاده محلی را به عنوان یک گراف در نظر میگیرد که در آن هر بخش مسیر مربوط به یک گره است و یالهایی بین بخشهایی وجود دارد که در همان جاده متوالی هستند یا از طریق یک تقاطع به هم متصل میشوند. در یک شبکه عصبی گراف، یک الگوریتم ارسال پیام اجرا میشود که در آن پیامها و تأثیر آنها بر حالتهای یال و گره توسط شبکههای عصبی یاد گرفته میشود. از این منظر، Supersegments، زیرگراف های جاده هستند که به صورت تصادفی متناسب با تراکم ترافیک نمونه برداری شدند. بنابراین یک مدل واحد را می توان با استفاده از این زیرگراف های نمونه آموزش داد و می تواند در مقیاس به کار گرفته شود.
شبکههای عصبی گراف، سوگیری یادگیری تحمیلشده توسط شبکههای عصبی کانولوشن و شبکههای عصبی تکراری را با تعمیم مفهوم «مجاور بودن» گسترش میدهند و به ما این امکان را میدهند تا ارتباطات پیچیده دلخواهی داشته باشیم تا نه تنها ترافیک مقابل یا پشت خود، بلکه در امتداد جادههای مجاور و متقاطع را مدیریت کنیم. در یک شبکه عصبی گراف، گره های مجاور پیام هایی را به یکدیگر ارسال می کنند. با حفظ این ساختار، یک سوگیری محلی را تحمیل میکنیم که در آن گرهها راحتتر به گرههای مجاور مربوط می شوند (این فقط به یک مرحله ارسال پیام نیاز دارد). این مکانیسمها به شبکههای عصبی گراف اجازه میدهند تا از ساختار اتصال شبکه جادهها به طور مؤثرتری استفاده کنند.
آزمایشهای ما دستاوردهایی را در قدرت پیشبینی از گسترش به جادههای مجاور که بخشی از جاده اصلی نیستند، نشان دادهاند. به عنوان مثال، به این فکر کنید که چگونه یک شلوغی در یک خیابان فرعی می تواند بر ترافیک یک جاده بزرگتر تأثیر بگذارد. با پوشش تقاطع های متعدد، این مدل توانایی پیش بینی بومی تاخیر در پیچ ها، تاخیرهای ناشی از ادغام و زمان کلی پیمایش در ترافیک توقف و حرکت را به دست می آورد. این توانایی شبکههای عصبی گراف برای تعمیم بر فضاهای ترکیبی، همان چیزی است که به تکنیک مدلسازی ما قدرت میدهد. هر Supersegment که میتواند طول و پیچیدگی متفاوتی داشته باشد - از مسیرهای ساده دو بخش تا مسیرهای طولانیتر شامل صدها گره - میتواند توسط همان مدل شبکه عصبی گراف پردازش شود.
ادامهدارد... .
✏مترجم: محدثه بنائی، خسرو همت
✅@PSA_AUT
👍1
🔴💥پیشبینی ترافیک با استفاده از شبکههای عصبی گرافی پیشرفته💥🔴
قسمت سوم:
* از تحقیقات پایه تا مدلهای یادگیری ماشینی آماده تولید
یک چالش بزرگ برای یک سیستم یادگیری ماشین تولید که اغلب در محیط دانشگاهی نادیده گرفته می شود، شامل تنوع زیادی است که می تواند در چندین دوره آموزشی یک مدل وجود داشته باشد. در حالی که تفاوتهای کوچک در کیفیت را میتوان به سادگی بهعنوان مقداردهی اولیه ضعیف در محیطهای آکادمیکتر کنار گذاشت، این ناهماهنگیهای کوچک زمانی که در میلیونها کاربر با هم جمع شوند، میتوانند تأثیر زیادی داشته باشند. به این ترتیب، تقویت شبکه عصبی گراف در برابر این تنوع در آموزش، در مرکز توجه قرار گرفت؛ زیرا ما مدل را به سمت تولید سوق دادیم. کشف کردیم که شبکههای عصبی گراف به ویژه به تغییرات در برنامه آموزشی حساس هستند - دلیل اصلی این بیثباتی، تنوع زیاد در ساختارهای نموداری است که در طول آموزش استفاده میشود. یک دسته از نمودارها می تواند شامل هرجایی از گراف های کوچک با دو گره تا نمودارهای بزرگ با بیش از 100 گره باشد.
با این حال، پس از آزمون و خطای بسیار، رویکردی برای حل این مشکل با انطباق یک تکنیک یادگیری تقویتی جدید برای استفاده در یک محیط تحت نظارت ایجاد کردیم. در آموزش یک سیستم یادگیری ماشینی، نرخ یادگیری یک سیستم مشخص می کند که چقدر «پلاستیک» - یا قابل تغییر به اطلاعات جدید - است. محققان اغلب نرخ یادگیری مدلهای خود را در طول زمان کاهش میدهند؛ زیرا بین یادگیری چیزهای جدید و فراموش کردن ویژگیهای مهمی که قبلاً آموختهاند، تعادلی وجود دارد.
در ابتدا از یک برنامه زمانبندی نرخ یادگیری به طور تصاعدی رو به زوال برای تثبیت پارامترهای خود پس از یک دوره از پیش تعریفشده آموزش استفاده کردیم. همچنین تکنیکهای گروهبندی مدل را که در کارهای قبلی مؤثر بودهاند، بررسی و تحلیل کردیم تا ببینیم آیا میتوانیم واریانس مدل بین دورههای آموزشی را کاهش دهیم یا خیر.
در پایان، موفق ترین رویکرد برای این مشکل، استفاده از MetaGradients برای تطبیق پویا نرخ یادگیری در طول آموزش بود - به طور موثر به سیستم اجازه داد تا زمان بندی نرخ یادگیری بهینه خود را یاد بگیرد. با تطبیق خودکار میزان یادگیری در حین آموزش، مدل ما نه تنها به کیفیت بالاتری نسبت به قبل دست یافت، بلکه یاد گرفت که نرخ یادگیری را به طور خودکار کاهش دهد. این منجر به نتایج پایدارتر شد و ما را قادر ساخت که از معماری جدید خود در تولید استفاده کنیم.
ساخت مدل ها به وسیله توابع زیان(loss) قابل تغییر، تعمیم می یابد.
در حالی که هدف نهایی سیستم مدلسازی ما، کاهش خطاها در تخمینهای سفر است، دریافتیم که استفاده از ترکیب خطی توابع زیان چندگانه (با وزن مناسب)، توانایی مدل را برای تعمیم بسیار افزایش میدهد. به طور خاص، یک هدف چند زیان(multi-loss) را با استفاده از یک عامل تنظیمکننده در وزنهای مدل، زیان L_2 و L_1 در زمانهای پیمایش جهانی، و همچنین تلفات فردی Huber و احتمال ورود منفی (NLL) برای هر گره در گراف، تنظیم کردیم. با ترکیب این زیان ها، توانستیم مدل خود را هدایت کنیم و از تطبیق بیش از حد در مجموعه داده آموزشی جلوگیری کنیم. در حالی که اندازهگیریهای ما از کیفیت در آموزش تغییری نکرد، بهبودهایی که در طول آموزش مشاهده شد، مستقیمتر به مجموعههای تستهای نگهداشتهشده و آزمایشهای سراسر، ترجمه شد.
در حال حاضر در حال بررسی این موضوع هستیم که آیا تکنیک MetaGradient میتواند برای تغییر ترکیب عملکرد از دست دادن چند جزئی در طول تمرین، با استفاده از کاهش خطاهای برآورد سفر به عنوان یک معیار راهنما، مورد استفاده قرار گیرد یا خیر. این کار از تلاشهای MetaGradient الهام گرفته شده است که در یادگیری تقویتی موفق بوده است و آزمایشهای اولیه، نتایج امیدوارکنندهای را نشان میدهند.
✏مترجم: محدثه بنائی، خسرو همت
🔗منبع خبر:
✔Traffic prediction with advanced Graph Neural Networks
https://www.deepmind.com/blog/traffic-prediction-with-advanced-graph-neural-networks
✅@PSA_AUT
قسمت سوم:
* از تحقیقات پایه تا مدلهای یادگیری ماشینی آماده تولید
یک چالش بزرگ برای یک سیستم یادگیری ماشین تولید که اغلب در محیط دانشگاهی نادیده گرفته می شود، شامل تنوع زیادی است که می تواند در چندین دوره آموزشی یک مدل وجود داشته باشد. در حالی که تفاوتهای کوچک در کیفیت را میتوان به سادگی بهعنوان مقداردهی اولیه ضعیف در محیطهای آکادمیکتر کنار گذاشت، این ناهماهنگیهای کوچک زمانی که در میلیونها کاربر با هم جمع شوند، میتوانند تأثیر زیادی داشته باشند. به این ترتیب، تقویت شبکه عصبی گراف در برابر این تنوع در آموزش، در مرکز توجه قرار گرفت؛ زیرا ما مدل را به سمت تولید سوق دادیم. کشف کردیم که شبکههای عصبی گراف به ویژه به تغییرات در برنامه آموزشی حساس هستند - دلیل اصلی این بیثباتی، تنوع زیاد در ساختارهای نموداری است که در طول آموزش استفاده میشود. یک دسته از نمودارها می تواند شامل هرجایی از گراف های کوچک با دو گره تا نمودارهای بزرگ با بیش از 100 گره باشد.
با این حال، پس از آزمون و خطای بسیار، رویکردی برای حل این مشکل با انطباق یک تکنیک یادگیری تقویتی جدید برای استفاده در یک محیط تحت نظارت ایجاد کردیم. در آموزش یک سیستم یادگیری ماشینی، نرخ یادگیری یک سیستم مشخص می کند که چقدر «پلاستیک» - یا قابل تغییر به اطلاعات جدید - است. محققان اغلب نرخ یادگیری مدلهای خود را در طول زمان کاهش میدهند؛ زیرا بین یادگیری چیزهای جدید و فراموش کردن ویژگیهای مهمی که قبلاً آموختهاند، تعادلی وجود دارد.
در ابتدا از یک برنامه زمانبندی نرخ یادگیری به طور تصاعدی رو به زوال برای تثبیت پارامترهای خود پس از یک دوره از پیش تعریفشده آموزش استفاده کردیم. همچنین تکنیکهای گروهبندی مدل را که در کارهای قبلی مؤثر بودهاند، بررسی و تحلیل کردیم تا ببینیم آیا میتوانیم واریانس مدل بین دورههای آموزشی را کاهش دهیم یا خیر.
در پایان، موفق ترین رویکرد برای این مشکل، استفاده از MetaGradients برای تطبیق پویا نرخ یادگیری در طول آموزش بود - به طور موثر به سیستم اجازه داد تا زمان بندی نرخ یادگیری بهینه خود را یاد بگیرد. با تطبیق خودکار میزان یادگیری در حین آموزش، مدل ما نه تنها به کیفیت بالاتری نسبت به قبل دست یافت، بلکه یاد گرفت که نرخ یادگیری را به طور خودکار کاهش دهد. این منجر به نتایج پایدارتر شد و ما را قادر ساخت که از معماری جدید خود در تولید استفاده کنیم.
ساخت مدل ها به وسیله توابع زیان(loss) قابل تغییر، تعمیم می یابد.
در حالی که هدف نهایی سیستم مدلسازی ما، کاهش خطاها در تخمینهای سفر است، دریافتیم که استفاده از ترکیب خطی توابع زیان چندگانه (با وزن مناسب)، توانایی مدل را برای تعمیم بسیار افزایش میدهد. به طور خاص، یک هدف چند زیان(multi-loss) را با استفاده از یک عامل تنظیمکننده در وزنهای مدل، زیان L_2 و L_1 در زمانهای پیمایش جهانی، و همچنین تلفات فردی Huber و احتمال ورود منفی (NLL) برای هر گره در گراف، تنظیم کردیم. با ترکیب این زیان ها، توانستیم مدل خود را هدایت کنیم و از تطبیق بیش از حد در مجموعه داده آموزشی جلوگیری کنیم. در حالی که اندازهگیریهای ما از کیفیت در آموزش تغییری نکرد، بهبودهایی که در طول آموزش مشاهده شد، مستقیمتر به مجموعههای تستهای نگهداشتهشده و آزمایشهای سراسر، ترجمه شد.
در حال حاضر در حال بررسی این موضوع هستیم که آیا تکنیک MetaGradient میتواند برای تغییر ترکیب عملکرد از دست دادن چند جزئی در طول تمرین، با استفاده از کاهش خطاهای برآورد سفر به عنوان یک معیار راهنما، مورد استفاده قرار گیرد یا خیر. این کار از تلاشهای MetaGradient الهام گرفته شده است که در یادگیری تقویتی موفق بوده است و آزمایشهای اولیه، نتایج امیدوارکنندهای را نشان میدهند.
✏مترجم: محدثه بنائی، خسرو همت
🔗منبع خبر:
✔Traffic prediction with advanced Graph Neural Networks
https://www.deepmind.com/blog/traffic-prediction-with-advanced-graph-neural-networks
✅@PSA_AUT
Deepmind
Traffic prediction with advanced Graph Neural Networks
By partnering with Google, DeepMind is able to bring the benefits of AI to billions of people all over the world. From reuniting a speech-impaired user with his original voice, to helping users discover personalised apps, we can apply breakthrough research…
👍1
Forwarded from شورای صنفی دانشگاه صنعتی امیرکبیر
⚫️بنابر تصمیم مدیریت دانشگاه، کلاس های درس در هفته دوم مهر ماه نیز مجازی شد !!
@shorasenfi_polytechnic
@shorasenfi_polytechnic
🤯2😁1
انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر pinned Deleted message
انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر pinned Deleted message
🔴💥اعطای جایزه نوبل فیزیک سال ۲۰۲۲💥🔴
آکادمی سلطنتی علوم سوئد تصمیم گرفت جایزه نوبل فیزیک 2022 را به سه فیزیکدان که اسامی آنها در ادامه آمده است، اعطا کند:
*الن اسپه (Alain Aspect):
Université Paris-Saclay and
École Polytechnique، Palaiseau, France
*جان اف.کلوزر (John F. Clauser):
J.F. Clauser & Assoc.، Walnut Creek، CA، USA
*آنتون زایلینگر (Anton Zeilinger):
University of Vienna, Austria
این جایزه به منظور آزمایشهایی با فوتونهای درهمتنیده، اثبات نقض نابرابریهای بل و علم اطلاعات کوانتومی پیشگام، اعطا شد.
✔ حالات درهم تنیده - از نظریه تا فناوری:
الن اسپه، جان کلوزر و آنتون زایلینگر هر کدام آزمایشهای پیشگامانهای را با استفاده از حالتهای کوانتومی درهمتنیده انجام دادهاند که در آن دو ذره حتی زمانی که از هم جدا میشوند مانند یک واحد عمل میکنند. نتایج آنها راه را برای فناوری جدید مبتنی بر اطلاعات کوانتومی باز کرده است.
✔برای مطالعه جزئیات بیشتر، به لینک های زیر مراجعه نمایید:
🔗لینک اطلاعات عمومی:
https://bit.ly/3C3tMwY
🔗لینک اطلاعات پیشرفته:
https://bit.ly/3r1A0Y3
🔗لینک خبر:
https://bit.ly/3UxKoEs
✅@PSA_AUT
آکادمی سلطنتی علوم سوئد تصمیم گرفت جایزه نوبل فیزیک 2022 را به سه فیزیکدان که اسامی آنها در ادامه آمده است، اعطا کند:
*الن اسپه (Alain Aspect):
Université Paris-Saclay and
École Polytechnique، Palaiseau, France
*جان اف.کلوزر (John F. Clauser):
J.F. Clauser & Assoc.، Walnut Creek، CA، USA
*آنتون زایلینگر (Anton Zeilinger):
University of Vienna, Austria
این جایزه به منظور آزمایشهایی با فوتونهای درهمتنیده، اثبات نقض نابرابریهای بل و علم اطلاعات کوانتومی پیشگام، اعطا شد.
✔ حالات درهم تنیده - از نظریه تا فناوری:
الن اسپه، جان کلوزر و آنتون زایلینگر هر کدام آزمایشهای پیشگامانهای را با استفاده از حالتهای کوانتومی درهمتنیده انجام دادهاند که در آن دو ذره حتی زمانی که از هم جدا میشوند مانند یک واحد عمل میکنند. نتایج آنها راه را برای فناوری جدید مبتنی بر اطلاعات کوانتومی باز کرده است.
✔برای مطالعه جزئیات بیشتر، به لینک های زیر مراجعه نمایید:
🔗لینک اطلاعات عمومی:
https://bit.ly/3C3tMwY
🔗لینک اطلاعات پیشرفته:
https://bit.ly/3r1A0Y3
🔗لینک خبر:
https://bit.ly/3UxKoEs
✅@PSA_AUT
NobelPrize.org
The Nobel Prize in Physics 2022
The Nobel Prize in Physics 2022 was awarded jointly to Alain Aspect, John F. Clauser and Anton Zeilinger "for experiments with entangled photons, establishing the violation of Bell inequalities and pioneering quantum information science"
👍7❤4👏1
Forwarded from saCHE_AUT (SaChe_AUT)
نامه به دکتر قدسیپور.pdf
2.1 MB
نامه ۱۲ انجمن علمی دانشگاه صنعتی امیرکبیر خطاب به ریاست دانشگاه، در حمایت از دانشجویان تعلیقی و ممنوع الورود
انجمن علمی دانشکده های:
- مهندسی پلیمر و رنگ
- مهندسی شیمی
- مهندسی پزشکی
- مهندسی دریا
- مهندسی هوا و فضا
- مهندسی صنایع
- مهندسی معدن
- مهندسی عمران و محیط زیست
- ریاضی و علوم کامپیوتر
- فیزیک
- شیمی
انجمن علمی دانشکده های:
- مهندسی پلیمر و رنگ
- مهندسی شیمی
- مهندسی پزشکی
- مهندسی دریا
- مهندسی هوا و فضا
- مهندسی صنایع
- مهندسی معدن
- مهندسی عمران و محیط زیست
- ریاضی و علوم کامپیوتر
- فیزیک
- شیمی
❤10👏3👍1😁1
⭕️با توجه به شرایط فعلی دانشگاه، کلیه فعالیتها، برنامه ها و رویدادهای انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر تا اطلاع ثانوی لغو میباشد.
امید است بتوانیم در شرایطی بهتر مجددا در کنار شما عزیزان و دوستداران علم، شروع به فعالیت کنیم🥀
انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر💫
@PSA_AUT
امید است بتوانیم در شرایطی بهتر مجددا در کنار شما عزیزان و دوستداران علم، شروع به فعالیت کنیم🥀
انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر💫
@PSA_AUT
❤32
Forwarded from امیرکبیریها
حذف اضطراری نیمسال اول 1401.pdf
111.7 KB
🔸اطلاعیه حذف اضطراری نیمسال اول ۱۴۰۱
📌مطابق تقویم آموزشی حذف اضطراری در تاریخ ٣ و ٤ دی ماه در نظر گرفته شده است ولی با توجه به جمع بندی نظرات شورای آموزشی دانشگاه به اطلاع میرساند که حذف اضطراری نیمسال اول ١٤٠١ از تاریخ شنبه ۳ دی الی چهارشنبه ۱۴ دی ماه تمدید گردیده و در سامانه ی سما قابل انجام است.
☑️ @Amirkabiriha
📌مطابق تقویم آموزشی حذف اضطراری در تاریخ ٣ و ٤ دی ماه در نظر گرفته شده است ولی با توجه به جمع بندی نظرات شورای آموزشی دانشگاه به اطلاع میرساند که حذف اضطراری نیمسال اول ١٤٠١ از تاریخ شنبه ۳ دی الی چهارشنبه ۱۴ دی ماه تمدید گردیده و در سامانه ی سما قابل انجام است.
☑️ @Amirkabiriha
Forwarded from انجمن علمی مهندسی انرژی دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) (амιя κgh)
🌱 انجمن علمی مهندسی انرژی و انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر برگزار میکند:
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم ریاضی ۱
👩🏻🏫مدرّس: دکتر مهری رشیدی
🌟تدریسیار برتر دروس ریاضی ۱، ریاضی۲ ، معادلات دیفرانسیل دانشگاه صنعتی امیرکبیر
⏱مدت زمان دوره: ۵ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: شنبه ۱۰ دی، دوشنبه ۱۲ دی، چهارشنبه ۱۴ دی از ساعت ۱۴ تا ۱۵:۳۰
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم ریاضی ۱
👩🏻🏫مدرّس: دکتر مهری رشیدی
🌟تدریسیار برتر دروس ریاضی ۱، ریاضی۲ ، معادلات دیفرانسیل دانشگاه صنعتی امیرکبیر
⏱مدت زمان دوره: ۵ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: شنبه ۱۰ دی، دوشنبه ۱۲ دی، چهارشنبه ۱۴ دی از ساعت ۱۴ تا ۱۵:۳۰
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT
🌱 انجمن علمی مهندسی انرژی و انجمن علمی فیزیک و نجوم دانشگاه صنعتی امیرکبیر برگزار میکند:
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم فیزیک ۱
👩🏻🏫مدرّس: دکتر آریا بزرگمهر
🌟پژوهشگر پسادکتری دانشگاه امیرکبیر
مشاور علمی دانشگاه الزهرا
مدرس فیزیک و ریاضی
⏱مدت زمان دوره: ۴ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: سهشنبه ۱۳دی، چهارشنبه ۱۴دی، از ساعت ۱۱ تا ۱۳
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT
📣📣شروع ثبت نام کارگاه جمع بندی پایانترم فیزیک ۱
👩🏻🏫مدرّس: دکتر آریا بزرگمهر
🌟پژوهشگر پسادکتری دانشگاه امیرکبیر
مشاور علمی دانشگاه الزهرا
مدرس فیزیک و ریاضی
⏱مدت زمان دوره: ۴ ساعت
🔴برگزاری به صورت حضوری در دانشکده مهندسی انرژی و فیزیک🏫
🗓تاریخ برگزاری کلاس ها: سهشنبه ۱۳دی، چهارشنبه ۱۴دی، از ساعت ۱۱ تا ۱۳
🛑 ظرفیت دوره محدود میباشد.
🛑 اطلاعات تکمیلی در کانال انجمن علمی مهندسی انرژی امیرکبیر قرار میگیرد.
🛑جهت هر گونه سوال در فرآیند ثبت نام دوره، با آیدی زیر در ارتباط باشید:
@energyE_admin
@EnergyE_AUT
@PSA_AUT
🔻انجمن علمی فیزیک ونجوم دانشگاه صنعتی امیرکبیر برگزار می کند:🔻
⚡️کافه فیزیک⚡️
محور گفتوگو: مبانی فلسفی علم کوانتوم
📣 سخنران: جناب آقای دکتر آریا بزرگمهر
پژوهشگر پسادکترا فیزیک بنیادین
📆 زمان برگزاری: دوشنبه، 24 بهمن ماه
⏰ ساعت 15:00، دانشکده فیزیک
⁉️برای پرسش هرگونه سوال، با انجمن علمی فیزیک ونجوم در ارتباط باشید. مکان دقیق جلسه متعاقبا اعلام خواهد شد.
💫رسانه باشید.
✅@PSA_AUT
⚡️کافه فیزیک⚡️
محور گفتوگو: مبانی فلسفی علم کوانتوم
📣 سخنران: جناب آقای دکتر آریا بزرگمهر
پژوهشگر پسادکترا فیزیک بنیادین
📆 زمان برگزاری: دوشنبه، 24 بهمن ماه
⏰ ساعت 15:00، دانشکده فیزیک
⁉️برای پرسش هرگونه سوال، با انجمن علمی فیزیک ونجوم در ارتباط باشید. مکان دقیق جلسه متعاقبا اعلام خواهد شد.
💫رسانه باشید.
✅@PSA_AUT
👍4
🛑🛑🛑داوطلبان کنکور کارشناسی ارشد هم اکنون میتوانید با مراجعه به سایت https://register1.sanjesh.org/nrgarshad402/Login/Login کارت ورود به جلسه خود را دریافت نمایید.
💫رسانه باشید.
✅@PSA_AUT
💫رسانه باشید.
✅@PSA_AUT
👍1