Выдвижение гипотез о причинах нестандартной информации

Когда HTM знает, какие причины существуют в ее мире и как представлять их, она может выдвигать гипотезы. «Выдвижение гипотез» подобно распознаванию паттернов. При наличии нестандартной информации HTM будет «выдвигать гипотезы» о том, какая из известных причин вероятнее всего присутствует в мире в данный момент. Например, если бы у вас была система зрения, основанная на HTM, вы могли бы показать ей картинки и она могла бы выдвинуть гипотезы о том, какие объекты на картинках. Результатом было бы распределение гипотез по всем известным причинам. Если бы картинка была недвусмысленной, распределение гипотез было бы с ярко выраженным максимумом. Если бы картинка была сильно неоднозначна, распределение гипотез было бы ровным, поскольку HTM не была бы уверенной, на что она смотрит.

Текущие гипотезы HTM могут быть непосредственно считаны с системы, чтоб быть использованными где-то за пределами HTM (что не возможно для человека!). Иначе, текущие гипотезы могут быть использованы HTM для того, чтоб делать предсказания или генерировать поведение.

В большинстве систем HTM сенсорная информация всегда будет новой. В системе зрения, подсоединенной к камере, мог бы быть миллион пикселей сенсорной информации. Если камера будет смотреть на сцены из реального мира, маловероятно, что один и тот же паттерн попадет в HTM дважды. Таким образом, HTM должна манипулировать с новой информацией и при выдвижении гипотез, и во время обучения. Фактически, у HTM нет отдельного режима, в котором бы она выдвигала гипотезы. HTM всегда выдвигает гипотезы о причинах, даже в процессе обучения (даже если трудно выдвинуть гипотезу, прежде чем будет пройдено достаточно длительное обучение). Как упоминалось ранее, существует возможность запретить способность к обучению по окончании процесса обучения с сохранением способности выдвигать гипотезы.

Большинству приложений HTM будут требоваться изменяющиеся во времени сенсорные данные для того, чтоб выдвигать гипотезы, хотя некоторым – нет. Это зависит от природы сенсоров и причин. Мы можем увидеть эти различия и у человека. Наши органы слуха и осязания без временной компоненты не могут выдвинуть гипотезу практически ни о чем. Мы должны проводить руками над объектами, чтобы выдвинуть гипотезу о том, чего же они касаются. Аналогично, статический звук передает очень мало информации. Со зрением ситуация двойственная. В отличие от ситуации с осязанием и слухом, люди могут распознавать изображения (то есть выдвигать гипотезы о причинах), когда изображение мелькает перед ними и глаза не успевают сдвинуться. Таким образом, визуальные гипотезы не всегда требуют изменяющейся во времени информации. Однако, в нормальном визуальном процессе мы двигаем глазами, движется наше тело и объекты в мире также движутся. Так что идентификация статических, мелькающих картинок – это специальный случай, возможный из-за статистических свойств зрения. В общем случае, даже в случае зрения, выдвижение гипотез происходит на изменяющейся во времени информации.

Хотя иногда возможно выдвижение гипотез на статических сенсорных паттернах, теория, лежащая в основе HTM показывает, что невозможно обнаружить причины, не имея непрерывно изменяющейся информации. Таким образом, все системы HTM, даже те, которые выдвигают гипотезы на статических паттернах, должны обучаться на изменяющейся во времени информации. Недостаточно просто изменяющейся сенсорной информации, для этого было бы достаточно последовательности некоррелирующих паттернов. Обучение требует, чтобы в процессе поступления изменяющихся паттернов причина оставалась неизменной. Например, когда вы проводите пальцами по яблоку, хотя тактильная информация постоянно изменяется, исходная причина – яблоко – остается неизменной. Это же верно и для зрения. Когда ваши глаза сканируют яблоко, паттерны на сетчатке изменяются, но исходная причина остается неизменной. И снова, HTM не ограничены человеческими типами сенсоров: они могли бы изучать изменение рыночных данных, изменение погоды и динамику трафика в компьютерных сетях.

Выдвижение гипотез о нестандартной информации является очень существенным. Есть множество задач распознавания паттернов, которые кажутся человеку простыми, но которых существующие компьютеры не могут решить. HTM может решать такие задачи быстро и точно, точно также как человек. В дополнение есть множество задач по выдвижению гипотез, которые трудны для человека, но которые системы HTM могли бы решить.