Spontant efter en kortare tid känns artikeln nedan som att den innehåller för mycket av matematik jag inte vidrört på länge för att vara tydlig eller bättre uttryckt vad jag inte försöker läsa mer än övergripande och i diskussion på slutet:
A path-integral approach to Bayesian inference for inverse problems
arXiv:1312.2974v1
Joshua C Chang, Van Savage och Tom Chou
Och givet det lite problematiskt när man sparar undan den för ev. framtida behov hör till vad man kan ha missuppfattat (d.v.s. skjutande fram en tidskostnad). Likväl är själva domänen - att givet resultatet b försöka uttrycka ett a via statistiska metoder och där man inkluderar ett lätt icke-linjärt problem man demonstrerar algoritm-familjen på som dessutom känns som vad man inte sett tidigare - av och till ganska intressant i kreativ-intelligens såväl som mer välkända applikationer hemma-hörande i information science såväl ämnet för bloggen här.
Tänker vi oss delvis förstörande funktions-mappning där många a kan ge b ä ju statistiska metoder vad som är intressant. Även om det kanske inte är intressant för det väldigt renodlade där (och igen jag plågade mig inte i att läsa matematiken för att egentligen veta det men jag tror inte det) som hashfunktioner är ju de oftare applikationer snarare mer populations-relaterade förekomster ex. relateade metod eller ett emotionellt bias som föranleder något. När man dessutom ser en del grafer normalfördelade såväl som Bayesian interference som basalt paradigm i artikeln (det är mer runt "path-integreal" min matematik PTSD lever upp) kan man ju i alla fall spara det.
Foto:
Kommentera