"Алгоритм" прогноза землетрясений

[peregoudov]

Не помню, говорил ли раньше, но я сейчас работаю в странной организации. В частности, люди тут занимаются вот таким: РАСПОЗНАВАНИЕ МЕСТ ВОЗМОЖНОГО ВОЗНИКНОВЕНИЯ ЭПИЦЕНТРОВ СИЛЬНЫХ ЗЕМЛЕТРЯСЕНИЙ С ОДНИМ КЛАССОМ ОБУЧЕНИЯ.

Независимо от того, понимаете ли вы, что там написано (я, вот, не понимаю, мне кажется, какая-то глупость), хотелось бы построить в голове какую-то разумную модель прогноза по набору примеров. Я ее мыслю как более общую задачу построения эмпирической зависимости по набору точек. В простейшем случае: есть у вас набор точек на плоскости, на какой кривой они лежат?

В случае землетрясений все немного сложнее. Начинаем с того, что каким-то образом перечисляем возможные места землетрясений. Далее каждому месту присваиваем значения нескольких параметров. Тут может так случиться, что часть параметров совершенно лишняя, но мы заранее не знаем, что от чего зависит, поэтому набираем побольше. Дальше есть набор мест, про которые уже известно, что в них происходили землетрясения. Ну то есть в этом большом множестве выделены какие-то точки. И дальше нужно как-то решить, в каких еще местах могут быть землетрясения.

Мне было бы понятно, если бы существовала какая-то гиперповерхность в пространстве параметров (та самая неизвестная нам зависимость), на которой бы лежали опасные точки. Тогда, восстановив эту гиперповерхность, можно потом смотреть, какие еще точки множества к ней близки --- их и объявлять опасными.

В принципе, подобная задача --- по набору точек восстановить зависимость --- правда, в случаях, когда зависимость известна с точностью до набора параметров, встречается сплошь и рядом. Скажем, восстановление поляризации волны по сейсмограмме. Есть набор точек, приблизительно ложащихся на прямую, нужно определить направление этой прямой. А вот для неизвестного заранее закона можно ли что-то придумать?

И еще одно сомнение гложет. Ведь выбор параметров произволен, я могу сделать любое невырожденное преобразование, в принципе, информация от этого не меняется. Это означает, что алгоритм должен быть инвариантен относительно произвольной замены переменных. Но тогда ведь никакой естественной нормы не существует? А без близости никуда, даже размерность гиперповерхности, на которую ложатся точки, не оценишь...

Кто что думает?

[zykov]

Ну вообще это огромная область - Machine learning.
Существует и много подходов к проблеме, и много книг где эти подходы описаны.

[peregoudov]

Словосочетание приходилось слышать, однако оно мне ни о чем не говорит. Давайте на конкретном примере. Есть набор экспериментальных точек (допустим --- вспоминая моих нефтяников --- термодинамические измерения неизвестной смеси), нужно описать закон (уравнение состояния), который из связывает. Если я заранее задал конечнопараметрическую модель --- тут мне понятно. Я как "вообще"?

И отдельный вопрос: место работ, подобных процитированной, в общей картине. Что это --- просто информационный мусор?

[zykov]

Source of the post место работ, подобных процитированной

По ссылке "http://sto68.narod.ru/barrier.zip" выдаёт 404.

[zykov]

Source of the post Я как "вообще"?

Грубо говоря: много кто думал - есть огромное количество работ, но в результате - никто не знает.

Опять же, есть огромное количество различных эмпирических результатов, работающих на практике более или менее хорошо, но например нет чёткого критерия, когда они работают хорошо, а когда не работают. Проверяется практикой.

Просто для примера (это ни в коем случае не какой-то "золотой стандарт"), вот одна работа с которой я сталкивался лет 10 назад:
"A Global Geometric Framework for Nonlinear Dimensionality Reduction"
http://web.mit.edu/cocosci/Papers/sci_reprint.pdf
Она имеет непосредственное отношение к вопросу в этой теме. В статье рассмотрен нелинейный случай. Но основой является общий линейный подход PCA (principal component analysis). Если он не известен, то лучше сначала с ним ознакомится.

[Ian]

В доме 4 подъезда. В трех из них случалось, что жилец повесился. Вопрос: в каком подъезде может это произойти в следующий раз? Мой ответ - в четвертом. В остальных, предполагаю, те кто хотел повеситься -уже повесились. Землетрясения это же разгрузка какого-то напряжения

[peregoudov]

Файл поправил (не туда залил).

Source of the post вот одна работа с которой я сталкивался лет 10 назад

Спасибо, почитаю.

Source of the post Землетрясения это же разгрузка какого-то напряжения

Вы не учитываете того, что напряжение не просто так взялось. Эпицентры землетрясений не рассеяны по всей поверхности Земли, а концентрируются вокруг некоторых линий. Считается, что в этих местах идет взаимодействие плит. И раз сброшенное напряжение потом опять накапливается. Доводилось даже слышать такую теорию прогноза, что надо просто подождать лет 1000, тогда периоды всех сбросов будут известны просто из наблюдений.

Ну то есть в вашем примере надо подождать, пока повесятся вторые по подъездам, тогда уже делать прогноз.

[zykov]

Вот прикол прислали. Почти в тему.

245108838_313638.jpg (176.12 KiB) 16668 просмотра

[zykov]

Кстати, на специалистов по machine learning (ML) уже есть спрос.
Вот зимой видел объявдение о работе:
**********************************************
Компания ищет специалистов для участия в разработке ускорителя для расчета нейронных сетей.
Чем предстоит заниматься:
* Выполнять анализ передовых решений области нейронных сетей
* Исследовать методы оптимизации нейронных сетей (квантование, обучение с квантованием, разреженность, сжатиеданных и т.д.)
* Разрабатывать математические модели для ускорителей нейронных сетей
* Оптимизировать сети клиентов для работы с оборудованием, поставляемым компанией
* Принимать участие в разработке оборудования

Требования к кандидатам:
* Уверенное владение математическим аппаратом — линейная алгебра, основы статистики
* Понимание принципов работы ML-алгоритмов, нейронных сетей
* Умение программировать на Python или С.

Приветствуется:
* Опыт обучения и применения нейронных сетей
* Опыт работы с TensorFlow, Caffe и другими фреймворками для обучения нейронных сетей
* Понимание принципов работы «железа» (FPGA/ASIC)

Условия работы:
* Оформление по ТК РФ
* Работа над интересными и амбициозными проектами
* Широкие перспективы профессионального и карьерного роста
* Удобный график работы, можно совмещать с учебой
* Премии по результатам проектов
* ДМС

Ключевые навыки:
* DNN, нейронные сети, Python, линейная алгебра
**********************************************