چه چیزی به عنوان علم کامپیوتر حساب می شود؟

تصویر کوین Ku via Pexels

این پست تا حدی به دو مقاله از آزمایشگاه تحقیقاتی من که این هفته در SIGCSE 2021 ارائه شده است ، مربوط می شود: "ادغام اخلاق در کلاسهای برنامه نویسی مقدماتی" و "شما سرگرمی خود را به عنوان انجام نمی دهید یک شغل »: کلیشه های کار محاسباتی و پیامدهای آنها برای آموزش CS." بعداً ، متوجه می شوم که چیزی که در قلب هر دوی این پروژه ها وجود دارد ، مزایای بالقوه گسترش مفهوم ما در مورد آنچه که به عنوان "علم کامپیوتر" محسوب می شود است.

همانطور که دیان مارتین در مقاله ای در سال 1997 گزارش کرده است ، رئیس بخش علوم کامپیوتر در پاسخ به این پیشنهاد که تأثیر اجتماعی و اخلاقی به عنوان یک رشته آشکار در آموزش CS در سال 1996 ادغام شود ، به ویراستار Communications of ACM نامه ای نوشت:

... که موضوع پیشنهادی علوم رایانه نیست ... محتوای "رشته" الگوریتم ، ساختار داده ، تحلیل ریاضی ، توسعه نرم افزار و طراحی نرم افزار ، نظریه علوم کامپیوتر ندارد. به طور خلاصه ، محتوا فاقد هر عنصر استاندارد موجود در تحقیق و آموزش علوم کامپیوتر است. … تصور این که یک دانشمند کامپیوتر این چیزها را آموزش دهد ، سخت است. … نگرانی های اخلاقی و اجتماعی ممکن است مهم باشد ، اما از آنجا که بحث در مورد اخلاقیات سلاح های هسته ای انجام فیزیک نیست ، بحث در مورد تأثیرات اجتماعی و اخلاقی محاسبات ، انجام دادن کامپیوتر نیست.

این ایده که اخلاق نیست انجام علوم رایانه ”بیش از دو دهه بعد ادامه دارد. ما هر زمان که در مورد اخلاق س questionال می کنیم و وقتی اخلاق در برنامه درسی علوم کامپیوتر به سختی پوشش داده می شود ، برخی از تغییرات "من فقط مهندس هستم" را از یک متخصص فناوری می شنویم. (که بله ، علیرغم الزامات ABET هنوز در بسیاری از دپارتمان ها وجود دارد - من دائماً از دانشجویان کالج می شنوم که می گویند در برنامه CS خود اصلاً در مورد اخلاق چیزی نمی شنوند.)

چند مورد سالها پیش پیشنهاد کردم ("بحران اخلاق فناوری ما در مورد وضعیت آموزش علوم رایانه چه می گوید") که اگر بخواهیم فرهنگ محاسبات را به گونه ای تغییر دهیم که تفکر در مورد تأثیر اخلاقی محاسبات بخشی از نقش هر تکنسین باشد ، ما باید نحوه آموزش علوم کامپیوتر را تغییر دهید-نه به عنوان تخصص یا افزونه ، بلکه در کلاسهای فنی در سراسر برنامه درسی ادغام شده است. از آن زمان به بعد ، چالش مسئول علوم رایانه بودجه ای را برای من و بسیاری دیگر فراهم کرد تا این ایده را عملی کنم. با فکر کردن در مورد اهمیت این تغییر فرهنگی ، من و همکارانم تصمیم گرفتیم که از همان ابتدا شروع کنیم: با کلاسهای برنامه نویسی مقدماتی. تحقیقات اخلاقی انتقادی عمیق در صنعت فناوری باید با آموزش آغاز شود ، و این بدان معناست که به تکنسین های آینده نشان دهیم که تفکر در مورد تأثیرات اخلاقی و اجتماعی محاسبات نه تنها "انجام کامپیوتر" بلکه کاری است که باید انجام شود. در علوم کامپیوتر من همچنین فکر می کنم که گروه های علوم کامپیوتر باید اعضای هیات علمی استخدام کنندبرای آنها اخلاق محاسباتی حوزه تحقیق آنها است. و من فکر می کنم که برنامه نویسی مصاحبه ها در شرکت های فناوری باید شامل سوالات در مورد پیامدهای اخلاقی باشد. (من در مورد نقش مصاحبه ها افکار زیادی دارم اما این یک پست کاملاً دیگر است. :))

همچنین شایان ذکر است که همچنان که ما با کمبود تنوع در گروه های علوم کامپیوتر و دره سیلیکون ، تعداد زیادی از رهبران فکری در اخلاق محاسبات زنان و افراد رنگین پوست هستند. من به عنوان فردی که دارای مدرک "محاسبه انسان محور" و "تعامل انسان و کامپیوتر" در سطرهای عنوان است و در حال حاضر بیش از من خطوط کد در مورد اخلاق توئیت می نویسد ، مطمئناً به اندازه کافی مردم به من گفته اند که اینها جنبه های "انسانی" بخش "نرم" CS هستند ، نه CS واقعی "، و غیره. این مرا به ارتباطی که امسال در SIGCSE به مقاله دیگر ما رساندم ، می رساند.

مشاور دکترای من برایانا دیم رهبری یک مصاحبه با خالقان طرفدار (اکثر زنان و/یا دگرباشان و/یا BIPOC) که کارهای محاسباتی انجام می دهند - یعنی ساخت وب سایت ، اصلاح بازی های ویدئویی ، انجام علم داده در مورد جوامع خود و یا حتی ایجاد بسترهای آنلاین آنلاین بسیار موفق. در کار قبلی من در زمینه یادگیری محاسباتی به صورت شگفت انگیز ، شرکت کنندگان همچنین محیط یادگیری را "توانمند" و "دوست داشتنی" توصیف کردند و آن را با جوامع منبع باز مقایسه کردند. این کار انگیزه پروژه فعلی (که توسط NSF تأمین می شود) را مورد بررسی قرار داد-به این منظور که چگونه افرادی از گروه هایی که به طور سنتی در محاسبات ضعیف هستند هنوز محاسباتی را انجام می دهند که ممکن است شبیه مفاهیم سنتی ما در زمینه کامپیوتر نباشد.

داستانهایی که از شرکت کنندگان در مورد پروژه های محاسباتی آنها و نحوه مشاهده آنها به عنوان بخشی از محاسبات شنیدیم ، به بسیاری از آنچه ما در مورد کلیشه های مخرب در محاسبات می دانیم پی برده است: این که علوم رایانه سرگرم کننده یا خلاق نیست ، این برای آنها نیست. و این ایده ها با تجربیات آموزش CS تقویت شد. نکته ای که ما شنیدیم این بود: من کلاس علوم کامپیوتر را گذراندم ، و این خیلی مضحک بود ، بنابراین این کار فوق العاده ای که من انجام می دهم نمی تواند این باشد. به عنوان مثال ، یکی از شرکت کنندگان ترک تحصیل در اردوگاه محاسبات را توضیح داد ، زیرا احساس می کرد مورد تحقیر قرار گرفته است ، صحبت کرده و از او بدگویی کرده است. او این را با آموختن همه چیز به طور مداوم مقایسه کرد ، که احساس می کرد "قدرتمند" است. و اگرچه گاهی اوقات این فضای یادگیری متناوب باعث می شد مشارکت کنندگان در زمینه فناوری مشغول به کار شوند ، اما سایر شرکت کنندگان حتی در حین صحبت با مهارت های محاسباتی که به صورت شگفت انگیز آموخته بودند ، با محاسبات "خوب" نبودند. در کم توجهی به مهارت های خود (فقط تعدیل بازی های ویدئویی ، فقط نوشتن HTML ، این کد "واقعی" نیست) ، ممکن است کسی محاسبات را به عنوان چیزی که قبلاً شروع کرده است و ممکن است به آن ادامه دهد ، نبیند. به طور کلی ، یافته های ما نشان می دهد که مهم است (به عنوان مثال ، در کلاس علوم کامپیوتر) نه تنها آنچه که یک دانشمند کامپیوتر است بلکه آنچه که به عنوان علم کامپیوتر شناخته می شود ، تجزیه شود - به ویژه در مورد تشویق مشارکت گروههای کم نماینده سنتی. و همچنین ، برای ملاقات احتمالی آنها در جایی که هستند.

و همانطور که یکی از شرکت کنندگان گفت: "اگر می خواهید وسعت خود را برای محاسبات گسترش دهید ، باید در فضاهای غیر متعارف جستجو کنید. اگر شمادر فضای معمولی بمانید ، تعداد زیادی از افراد سفید به دست خواهید آورد. "

یا همانطور که درگ کدنویسی مورد علاقه من در TikTok می گوید:" اساتید علوم کامپیوتر شبیه زنان هستند برای یادگیری نحوه کد نویسی شاید آنها نمی خواهند نحوه کد نویسی را از شما یاد بگیرند. " در واقع ، من این احساس را آنقدر دوست داشتم که برای توضیح یافته های خود بر آن تکیه کردم!

در مجموع ، من فکر می کنم دلایل زیادی وجود دارد که کاهش دروازه بان در علوم رایانه یک امر مثبت است. و وقتی گروه های علوم رایانه در حال بررسی این هستند که چه چیزی را آموزش دهند ، چه نوع تحقیقاتی تشویق می شوند و چه افرادی را استخدام می کنند ، گسترش این تعریف ممکن است دامنه مشارکت را نیز افزایش دهد.

فیزلر ، کیسی ، میخایلا فریسک ، ناتالی گرت ، فلیکس موزنی ، جسی جی اسمیت و جیسون زیتز. "ادغام اخلاق در کلاسهای برنامه نویسی مقدماتی." در مجموعه مقالات 52 مین همایش فنی ACM در زمینه آموزش علوم کامپیوتر (SIGCSE’21). نیویورک ، نیویورک ، ایالات متحده: ACM. 2021.

دیم ، برایانا ، نامیتا پاسوپولتی ، کول راک وود و کیسی فیسلر. "شما سرگرمی خود را به عنوان یک شغل انجام نمی دهید": کلیشه های کار محاسباتی و پیامدهای آنها برای آموزش CS. " در مجموعه مقالات 52 مین همایش فنی ACM در زمینه آموزش علوم کامپیوتر ، ص 823-829. 2021.

چرا افشای مدیرعامل تولید شده توسط رایانه انویدیا ناامیدی بزرگی بود

ترفند تبلیغ و به نمایش گذاشتن آخرین فناوری خود چیزی بیش از حد خنثی نبود

انویدیا مدیرعامل خود جنسن هوانگ را در یک سخنرانی اصلی در کنفرانس دیجیتالی کرد. منبع: Youtube

آیا می توانید تفاوت دو نسخه مدیر عامل انویدیا ، جنسن هوانگ را در تصویر بالا تشخیص دهید؟ شرط می بندم نمی توانید.

هنگام خواب درآمد کسب کنید: OTOY می خواهد رایانه بیکار خود را اجاره دهد

Otoy افتتاح RNDR ، ابری که بر اساس بلاک چین جمع آوری شده است را برای عموم اعلام کرد. RNDR هزینه های تولید بازی و فیلم را کاهش می دهد در حالی که ارز دیجیتال مبتنی بر اتریوم را در کیف پول کسانی قرار می دهد که رایانه بیکار خود را به شبکه وام می دهند. پلتفرم همتا به همتا RNDR اکنون صنعت سرگرمی و بازی را قادر می سازد تا هزینه ایجاد صحنه های باورنکردنی و واقع گرایانه در نمایش هایی مانند Westworld را به شدت کاهش دهد. یک فرد از لحاظ نظری می تواند چند صد دلار در ماه درآمد داشته باشد.

ژول اوباخ ، مدیرعامل و بنیانگذار Otoy ، که امروز RNDR را برای عموم راه اندازی کرد.

احتمالاً شما هرگز در مورد Otoy چیزی نشنیده اید زیرا در پس زمینه بی صدا کار می کند و به تبدیل آثار هنرمندان کمک می کند. کد را به 60 فریم در ثانیه از تصاویر با وضوح بالا 2D یا 3D از طریق فرایندی به نام "rendering" تبدیل کنید. Otoy یک "سس مخفی" اختصاصی از هوش مصنوعی و یادگیری ماشینی اضافه می کند تا روند را سریعتر و ارزان تر کند ، در حالی که "سر و صدا" یا اشتباهاتی را که گاهی اوقات خروجی را مخدوش می کند حذف می کند. ژول اورباخ ، بنیانگذار و مدیر عامل Otoy در مصاحبه ای با Venturebeat در این باره گفت: "بین ارائه هوش مصنوعی و ایجاد نویز و توانایی حرکت اجسام به صورت پویا ، ما در حال نزدیک شدن به ساخت فیلم های غیرفعال کامل با موتورهای بازی هستیم." اجلاس توسعه دهندگان در آوریل.

این افزایش تقاضا برای ارائه خدمات ، مشکلی را ایجاد می کند که به آن "شکاف ابر GPU" می گویند. بخش زیادی از بازار برای منابع محدود رقابت می کنند و این باعث افزایش قیمت می شود. مراکز داده متمرکز که سخت افزار لازم را ارائه می دهند (مانند خدمات وب آمازون) نتوانسته اند به اندازه کافی سریع برای پاسخگویی به تقاضا و مطابقت با قیمت رقابتی گسترش یابند.

تیم Otoy در مورد راه هایی برای مهار میلیون ها بیشمار فکر کرده است. پردازنده های گرافیکی بیکار در سراسر جهان برای ایجاد شبکه توزیع شده و امن همتا به همتا برای سالها. هنگامی که بلاک چین اتریوم با امنیت غیر متمرکز و ارز مورد نیاز خریداران و فروشندگان ناشناس همراه شد ، سرانجام توانستند آنچه تولیدکنندگان انجام می دهند را انجام دهند و درعین حال درآمد مکرر قابل توجهی را بهتر ، ارزان تر و سریعتر کنند. Otoy شبکه اصلی را حفظ می کند و کاربران RNDR و خالقان محتوا در داخل سیستم با یکدیگر خرید و فروش می کنند یا قدرت محاسباتی را با استفاده از "نشانه های ارائه" مبتنی بر Ethereum خریداری می کنند. تا زمانی که کار به اتمام نرسد ، توکن ها در سپرده نگهداری می شوند. در طول فرآیند رندر ، کاربران می توانند وضعیت یک کار و به روزرسانی های رندر ، مانند پیش نمایش صحنه ها را مشاهده کنند یا حالت پیش نمایش را برای مشاهده جزئیات بهتر در تصویر حداکثر کنند. با پیشرفت کار ، استفاده از توکن RNDR افزایش می یابد و پس از اتمام کار ، فریم ها را می توان بارگیری کرد و انتقال توکن اتفاق می افتد. اورباخ گفت: "مشتریان کار خود را پس می گیرند و نمی دانند که آمازون این کار را انجام داده است یا گره های غیر متمرکز این کار را انجام داده است." فقط الان. RNDR از پروتکل تطبیق و اولویت بندی گره ها استفاده می کند که قدرت رندر موجود را جستجو می کند. بسته به شرایطی که داریدممکن است واجد شرایط کار نباشند. Otoy ، معتقد است که بلاک چین بزرگتر از اینترنت خواهد بود و Google بعدی را تولید خواهد کرد.

امروز RNDR برای عموم باز می شود که این شرکت مرحله دوم توسعه خود را می نامد. کالین استویانچف ، رئیس بلاک چین/سرپرست پروژه RNDR گفت: "در حال حاضر کمتر از 1 درصد از قدرت پردازنده گرافیکی جهان در دسترس سازندگان است. با استفاده از توان محاسبه شده و بیهوده میلیونی ، بدون هیچ گونه هزینه سخت افزاری ، به قدرت محاسباتی بسیار بیشتری با هزینه مقرون به صرفه برای سازندگان ، با حداکثر امنیت مالکیت دارایی های دیجیتالی آنها دسترسی خواهیم داشت. "

"مرحله بعدی توسعه RNDR [فاز سوم] به گسترش مشارکت های جهانی خود و توسعه بستر برای دستیابی به ارائه جریان از طریق قراردادهای هوشمند و فناوری بلاک چین اختصاص خواهد یافت." "Otoy شبکه را با روابط کلیدی ما در صنعت ، عمدتا استودیوهای اصلی که از فناوری ما استفاده می کنند و بیش از ده میلیون توسعه دهنده که از Unity و Unreal Engine استفاده می کنند ، شبکه می گذارد."

Otoy متعلق به خصوصی است در سال 2008 توسط Urbach ، Alissa Grainger (بنیانگذار و رئیس جمهور) و Malcolm Taylor (Co-Founder & CTO) تاسیس شد. از آن زمان ، Otoy در بیش از 60 کارمند در چهار دفتر با دفتر مرکزی در مرکز شهر لس آنجلس ، CA افزایش یافته است. سرمایه گذاران این شرکت شامل Autodesk و Yuri Milner’s Digital Sky Technologies (DST) هستند و دارای هیئت مشاوران قدرتمندی از اریک اشمیت از گوگل و آری امانوئل فوق العاده از WME-IMG است. این شرکت از صحبت در مورد سایر سرمایه گذاران یا امور مالی خود امتناع کرد.

کسانی که علاقه مند به کسب درآمد هنگام خواب هستند می توانند از طریق RNDR به آدرس https://rendertoken.com

این پست در ابتدا در Forbes.com در 12 ژوئیه 2018

نمایش داده شد

افزایش داده ها برای رابط مغز و کامپیوتر

برنامه های تجاری جدید همراه با رابط کامپیوتر و مغز و شبکه های مخالف تولیدی

تصویر توسط Ulrich Wechselberger از Pixabay

علیرغم پیشرفت چشمگیر در رابط مغز و رایانه (BCI) ، بسیاری از مسائل با جمع آوری سیگنالهای الکتروانسفالوگرافی (EEG) مرتبط هستند در محیطهای واقعی این وضعیت باعث می شود BCI ها به یک دستگاه مقیاس پذیر تبدیل نشوند.

رابط مغز و رایانه همواره با مسائل شدید مربوط به داده ها مانند فقدان داده های کافی ، زمان کالیبراسیون طولانی و خرابی داده ها روبرو بوده است. در جدیدترین پروژه من ، ما ایده استفاده از روش های افزایش داده مانند شبکه های مخالف مولد برای ایجاد سیگنال های مصنوعی EEG را بررسی کردیم.

در واقع ، افزایش داده (DA) یک راه حل بالقوه برای حل این مسائل است. در میان تکنیک های افزایش داده ها ، روش شبکه های متخاصم تولید کننده (GAN) با برنامه های موفق پردازش تصویر توجه زیادی را به خود جلب کرده است.

در این مقاله ، موضوع ایجاد داده های آموزشی کافی در زمینه BCI های غیر تهاجمی و ارائه یک لیست کامل از تکنیک های افزایش داده برای مجموعه داده های EEG. همچنین توضیح خواهم داد که چگونه می توان از GAN برای کمک به BCI در برنامه های کاربردی واقعی استفاده کرد.

BCI & Data Acquisition

سیستم های رابط مغز و رایانه (BCI) برای اتصال مغز طراحی شده اند. و دستگاههای خارجی برای موارد متعدد استفاده. این روش غیر تهاجمی ، قابل حمل و نسبتاً ارزان است. برای اکثر پروژه ها ، مقدار زیادی سیگنال الکتروانسفالوگرام مورد نیاز است. برای کاربردهای BCI غیر تهاجمی ، EEG برجسته ترین روش دستیابی به سیگنال است که برای رابط مغز و رایانه استفاده می شود. این دستگاه توانایی غیر تهاجمی برای ثبت فعالیت الکتریکی قشر مغزی انسان دارد. افراد (یا بیماران) باید جلسات کالیبراسیون طولانی را پشت سر بگذارند. برخی از داده های جمع آوری شده ممکن است خراب شوند. طبقه بندی کننده هایی که بر روی مجموعه داده های EEG آموزش دیده اند تمایل دارند تا ضعیف به داده های ثبت شده در زمان های مختلف ، حتی در سیگنال های EEG از موضوعی به موضوع دیگر یا حتی درون موضوعی از جلسه ای به جلسه دیگر متفاوت است. این وضعیت به ویژه برای تجزیه و تحلیل زمان واقعی مشکل است ، جایی که ذاتاً مدل هایی هستند که بر روی داده های عصبی گذشته برای رمزگشایی فعالیت عصبی فعلی آموزش دیده اند. جمع آوری نمونه های مورد نیاز اغلب دشوار و گران است. . سیستم های BCI معمولاً به زمان کالیبراسیون طولانی نیاز دارند ، که هنوز برای برنامه های تجاری بسیار طولانی است. راه حل های احتمالی به داده های بسیاری از کاربران دیگر نیاز دارند که سیگنال های EEG آنها قبلاً ثبت شده است یا مجموعه داده های بزرگی از آزمایشات قبلی از یک کاربر. یادگیری عمیق به دلیل اندازه نسبتاً کوچکتر آنها ذاتاً بر روی مجموعه داده های EEG محدود است. عملکرد طبقه بندی کننده در سیستم BCI بستگی زیادی به کیفیت و کمیت داده های آموزشی دارد. مجموعه داده های EEG بزرگ و آشکارا در دسترس نیستند. عناصر مانند آناتومی مغز ، قرار دادن سرپوش و پویایی در بین افراد به طور قابل ملاحظه ای تعمیم تجزیه و تحلیل EEG را در بین افراد محدود می کند.

علاوه بر این ، برنامه های کاربردی BCI هنوز اغلب به داده های آموزشی جمع آوری شده در آزمایشگاهی که کاربران در آن وظایف خود را انجام می دهند ، وابسته است. محیط کنترل شده.

واقعیت این است که حتی برای یک موضوع واحد ، تیم های BCI باید زمان زیادی را پشت سر بگذارندجلسات تجربی برای آموزش مدلهای یادگیری ماشین به اندازه کافی مفید است. در نتیجه ، پردازش خطوط لوله با رویکردهای خاص دامنه اغلب برای تمیز کردن ، استخراج ویژگی های مرتبط و طبقه بندی سیگنال های EEG استفاده می شود.

داده های اضافی را می توان با شرایط موجود بدست آورد ، اما از یک مقیاس پذیر قابل افزایش نیست. چشم انداز ثبت داده های الکتروانسفالوگرام (EEG) در چندین جلسه کالیبراسیون طولانی.

یکی از محدودیت های مهم در زمینه BCI نمونه های آموزشی بسیار محدود است. ساختن یک سیستم قابل اعتماد و قابل استفاده با چنین داده های محدود چالش برانگیز است.

متأسفانه ، حتی روش یادگیری انتقال نمی تواند دسته بندی های مختلف سیگنال EEG را بدون داده های موضوعی کافی رمزگشایی کند.

انتقال یادگیری این یک "تکنیک یادگیری تحت نظارت است که از بخشهایی از یک مدل قبلاً آموزش دیده در یک شبکه جدید که با مشکل متفاوت اما مشابه استفاده می شود ، مجدداً استفاده می کند." (2)

آنچه مورد نیاز است یک روش برای تولید خودکار آزمایشات EEG مصنوعی برای افزایش مجموعه داده های موجود است. روشهای مولد یک راه حل بالقوه برای رفع این محدودیت ها هستند.

با استفاده از تکنیک های مولد ، می توان استحکام طبقه بندی کننده را به شیوه ای مقرون به صرفه و از نظر زمان بالا برد. سیگنال های EEG مصنوعی می توانند در بهبود دقت و قابلیت های کلی مدل هایی که برای طبقه بندی داده های EEG آموزش دیده اند بسیار سودمند باشد. /p> با اعمال تغییرات هندسی: ترجمه ، چرخش ، برش ، چرخاندن ، مقیاس بندی و غیره با افزودن سر و صدا به داده های آموزشی موجود. افزایش اندازه مجموعه آموزشی ، آموزش مدلهای پیچیده تر با پارامترهای اضافی و کاهش میزان برازش را تسهیل می کند.

با این حال ، برخلاف تصاویر ، EEG مجموعه ای از سری های زمانی پر سر و صدا و غیر ساکن از الکترودهای مختلف است. علاوه بر این ، تغییرات هندسی مستقیماً برای داده های EEG مناسب نیستند ، زیرا ممکن است بر ویژگی های حوزه زمانی تأثیر بگذارد. حیوانات یا اشیاء). برای سیگنال های EEG ، همه چیز پیچیده تر است ... به عبارت دیگر ، برچسب زدن صحیح مجموعه داده های افزایش یافته می تواند چالش برانگیز باشد.

تصویر توسط نویسنده

تکنیک های افزایش داده ها برای EEG

افزایش داده ها به افزایش داده های آموزشی موجود ، تسهیل استفاده از مدل های پیچیده تر DL کمک می کند. همچنین می تواند برازش را کاهش داده و دقت و ثبات طبقه بندی کننده ها را بهبود بخشد.

افزایش داده ها در بسیاری از کارهای EEG مانند: > تصاویر حرکتی حجم کار ذهنی وظایف تشخیص احساسات.

GAN ها و رمزگذارهای خودکار متنوع (VAE) کارآمدی در گرفتن عناصر کلیدی از طیف متنوعی از مجموعه داده ها برای تولید نمونه های واقع بینانه (3).

رویکرد دیگر شامل "ایجاد آزمایش های EEG مصنوعی از چند آزمایش EEG است که در ابتدا برای افزایش اندازه مجموعه آموزشی به شیوه ای مناسب" در دسترس بود. (4) به گفته نویسنده ، "این رویکرد با تقسیم هر آزمایش آموزشی EEG موجود به چندین بخش و ایجاد آزمایشات مصنوعی جدید به عنوان ترکیب بخشهایی از آزمایشات آموزشی مختلف و به طور تصادفی انتخاب می شود".

سایر روشهای افزایش داده برای سیگنال EEG شامل (لیست غیر جامع): روش نمونه گیری تبدیل فوریه (روشی برای بیان سیگنال های دوره ای بر حسب اجزای فرکانس آنها)

تمرکز بر GAN

مولد شبکه های متخاصم یک روش نسبتاً جدید ML است که در آن دو شبکه عصبی مصنوعی همزمان یکدیگر را آموزش می دهندرقابت. GAN ها ماشین ها را قادر می سازند تا تصاویر جدید خود را تصور کرده و خلق کنند. EEG اغلب می تواند در طول زمان به صورت طیف نگاری (از طریق تبدیل فوریه یا موجک) در حوزه فرکانس تجزیه و تحلیل شود.

نمونه ای از معماری GAN با استفاده از سیگنال های EEG ، تصویر توسط نویسنده

طیف سنجی ها می توانند مانند یک تصویر رفتار شوند. بنابراین روشهای افزایش داده (GANs) که برای تصاویر ایجاد شده اند را می توان روی آنها اعمال کرد. طیف سنجی های تولید شده از طریق فرآیند DA سپس به سیگنال EEG تبدیل می شوند.

چند تلاش اخیر برای استفاده از GAN برای سیگنال های EEG وجود دارد:

در این مقاله تحقیقی (5) ، "EEG در حالی که شخص به برخی از تصاویر نگاه می کند ، ثبت می شود ، سپس این EEG برای بازسازی تصویر نشان داده شده به GAN ارسال می شود". آنها گزارش می دهند که GAN ها بهتر از رمزگذارهای خودکار (VAE) عمل می کنند ، اما تصاویر تولید شده هنوز کیفیت پایینی دارند. وضوح. در این مطالعه اخیر (7) ، از GAN برای تولید داده های EEG تشخیص احساسات مصنوعی استفاده می شود. نویسندگان "با استفاده از WGAN مشروط با دو مجموعه داده تشخیص احساسات ، EEG را به شکل آنتروپی افتراقی از توزیع سر و صدا ایجاد کردند." خطاها و بی ثباتی یکی از سناریوهای معروف "فروپاشی حالت" نام دارد. این اتفاق می افتد وقتی که تشخیص دهنده فقط چند حالت محدود توزیع ورودی را واقعی می شناسد و باعث می شود ژنراتور تعداد محدودی خروجی متغیر تولید کند.

آموزش یک GAN با مسائل ناپایداری فراگیر چالش برانگیز است. .

یکی از راه های مقابله با بی ثباتی مدل و فروپاشی حالت ، استفاده از GAN Wasserstein (WGAN) است که اولین بار توسط Arjovsky و همکاران (8) معرفی شد. هدف WGAN ها به حداقل رساندن تفاوت بین توزیع داده های واقعی و توزیع داده های جعلی و جلوگیری از سقوط حالت است. این رویکرد با موفقیت برای ایجاد داده های EEG بدون سر و صدا مورد استفاده قرار می گیرد.

سایر نویسندگان (9) به مسائلی مانند "ناپدید شدن/انفجار شیب هایی که WGAN می تواند با استفاده از مجازات گرادیان" مراقبت کند ، اشاره می کنند. سایر محققان ممکن است از GAN Deep Convolutional (DCGAN) خالص برای تشخیص ویژگی های سیگنال با استفاده از لایه های کانولوشن با اندازه های مختلف هسته استفاده کنند.

برنامه های تجاری با استفاده از GANs و BCI

فراتر از توانایی با بهبود مجموعه داده ، می توان از GAN ها برای ایجاد موارد استفاده جدید برای BCI ها استفاده کرد. به راحتی می توان فرض کرد که GAN ها به زودی برای تبدیل افکار به تصویر به کار گرفته خواهند شد. اولین مطالعه از دانشگاه هلسینکی برای دستکاری فعالیت های عصبی برای انطباق یک مدل رایانه مولد و تولید اطلاعات جدید مطابق با هدف یک اپراتور انسانی انجام شده است.

همانطور که در این مقاله مشاهده کردیم ، چندین تکنیک افزایش داده برای بهبود مجموعه داده ها ، به عنوان مثال ، افزودن نویز وجود دارد. اگرچه GAN's for EEG یک موضوع در حال ظهور است ، معدود مطالعات موجود نشان می دهد که این یک روش امیدوار کننده برای رفع چندین نگرانی مربوط به پردازش و مقیاس پذیری EEG است.

برای اطلاعات بیشتر در مورد این موضوع ، تحقیقات زیر را توصیه می کنم. مقالات و مقالات:

افزایش داده ها برای الکتروانسفالوگرافی مبتنی بر یادگیری عمیق مولدشبکه های متخاصم برای رابط مغز و رایانه MIEEG-GAN: ایجاد سیگنال های الکتروانسفالوگرافی تصویر موتور حرکتی مصنوعی رابط جدید مغز و رایانه افکار را به تصاویر شبیه سازی سیگنال های مغزی تبدیل می کند: ایجاد داده های EEG مصنوعی از طریق مدل های مولد عصبی برای بهبود طبقه بندی SSVEP ایجاد سیگنال های EEG مصنوعی برای کاهش زمان کالیبراسیون BCI افزایش داده های مبتنی بر شبکه های متخاصم تولیدی برای رابط مغز و کامپیوتر < /uli> Brain2Image: تبدیل سیگنال های مغزی به تصاویر افزایش داده های EEG برای تشخیص احساسات با استفاده از GAN شرطی Wasserstein Wasserstein GAN ایجاد مصنوعی/سیگنال مصنوعی مغز "Encephalographic" (EEG) با استفاده از شبکه های تولیدکننده خصومت (GAN)

استفاده

آیووا دسترسی به معلمان علوم کامپیوتر را افزایش می دهد

در آخرین روز جلسه قانونگذاری خود ، قانونگذار آیووا بودجه خود را تصویب کرد که دسترسی به آموزش حرفه ای علوم رایانه را برای معلمان در سراسر ایالت افزایش می دهد.

این بودجه یک صندوق تشویقی برای توسعه حرفه ای علوم کامپیوتر ایجاد می کند - که مجموعاً مبلغ 1،000،000 دلار دریافت کرده است- که از آن به مناطق و مدارس برای برنامه های توسعه حرفه ای علوم رایانه بازپرداخت می شود.

جمعه گذشته ، پس از تصویب بودجه ، هیئت آموزش و پرورش ایالتی K- را تصویب کرد- 12 استاندارد علوم کامپیوتر برای ارائه راهنمایی به مدارس و مناطق.

این نقاط عطف بر اساس پایه ریزی شده در چند سال گذشته ، از جمله توصیه های ارائه شده توسط گروه آموزشی آموزش علوم رایانه و هدف تعیین شده توسط قانونگذار در گذشته ، ایجاد شده است. سالی است که همه مدارس بتوانند علوم رایانه ارائه دهند.

راه دیگر ، آیووا!