Четвёртая часть образовательной серии о перцептронах. Автор переходит от теории к практике, предлагая реализовать PerceptronTrainer с нуля — класс, который позволит перцептрону самостоятельно находить оптимальные веса и смещение, обучаясь на данных, вместо ручного подбора параметров.
Исследователи Google показали, что способность диффузионных моделей генерировать новые изображения (а не просто копировать обучающие данные) — это не магия, а математическое следствие того, как нейросети при обучении «сглаживают» функцию оценки. Из-за регуляризации модель учится интерполировать между точками данных, создавая новые правдоподобные варианты вместо механического воспроизведения.
Исследователи Apple показали, что тестирование и верификация свойств функций работают принципиально по-разному. Хотя для тестирования location-invariant свойств функций и соответствующих распределений сложность схожа, при верификации через интерактивные доказательства близости (IPPs) эта связь разрушается. Работа важна для понимания пределов эффективной проверки моделей машинного обучения.
Разработчик модели для ставок на спорт столкнулся с проблемой: его алгоритм показывает устойчивое преимущество при бэктестах против финальных коэффициентов (closing lines), но в реальности приходится делать ставки за 12-24 часа до события, когда ключевая фича модели — движение линии — ещё не полностью сформирована. Вопрос: переносится ли найденное преимущество на ранние ставки или исчезает из-за неполных данных.
