Распределенная платформа для анализа масштабных данных с использованием биоподобных сенсомоторных алгоритмов
https://doi.org/10.15514/ISPRAS-2025-37(4)-21
Аннотация
Процесс обнаружения аномалий или отклонений от ожидаемого поведения в непрерывно поступающих данных является сложным и требует разработки эффективных моделей, которые могут адаптивно переобучаться со временем. Человеческий мозг служит ярким примером такой системы, так как он постоянно учится на протяжении всей жизни, а прошлый опыт, который когда-то казался ошибочным, постепенно интегрируется в обыденные знания. Хотя современные модели нейронных сетей достигли значительных успехов в распознавании текста и изображений, они значительно отклонились от оригинальных моделей нейронов и больше не представляют собой единственный алгоритм, аналогичный тому, который использует наш мозг. Специальные искусственные сети, такие как Long Short-Term Memory (LSTM), могут учитывать как длительную, так и непосредственную информацию; однако они имеют ограничения в своей способности к переобучению. В данном исследовании мы согласуемся с теориями, предложенными Джеффом Хокинсом, выдающимся исследователем в области биоподобного интеллекта, чья команда разрабатывает инновационные кортикальные алгоритмы, которые испрользуют современные исследования функционирования интеллектуального мозга. В этом контексте зрение и слух можно концептуализировать как сенсоры, данные от которых интегрируются в модель для генерации непрерывных прогнозов для каждого входного сигнала. В нашей статье мы исследуем современные теории по этой теме и представляем собственную реализацию этих концепций с использованием языка программирования Erlang.
Об авторах
Данил Петрович ПОТАПОВРоссия
Aссистент кафедры прикладной математики. Сфера научных интересов: кортикальные алгоритмы, аддитивные технологии.
Сергей Михайлович СТАРОЛЕТОВ
Россия
Кандидат физико-математических наук, доцент. Сфера научных интересов: формальная верификация, model checking, киберфизические системы, операционные системы.
Список литературы
1. Hawkins J., Blakeslee S. On intelligence. Macmillan, 2004.
2. Hawkins J. A Thousand Brains: A New Theory of Intelligence. Basic books, 2021.
3. Lavin A., Ahmad S. Evaluating real-time anomaly detection algorithms-the Numenta anomaly benchmark. In 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA). IEEE, pp. 38-44, 2015.
4. Hubel D. H. The brain. Scientific American, Vol. 241, no 3, pp. 45-53, 1979.
5. Edelman G. M., Mountcastle V. B. The mindful brain: Cortical organization and the group-selective theory of higher brain function. MIT press, 1982.
6. Mountcastle V. B. The columnar organization of the neocortex. Brain: a journal of neurology 120, no. 4, pp. 701-722, 1997
7. Hawkins J., Ahmad S. Why neurons have thousands of synapses, a theory of sequence memory in neocortex. Frontiers in neural circuits, vol 10, p. 23, 2016.
8. Hawkins J., Ahmad S, Cui Y. A theory of how columns in the neocortex enable learning the structure of the world. Frontiers in neural circuits Vol. 11 p. 95079, 2017.
9. Hebb D.O. The Organization of Behavior. New York: Wiley & Sons, 1949.
10. Hochreiter S, Schmidhuber J. Long short-term memory. Neural computation Vol 9, no. 8 pp. 1735-1780, 1997.
11. Lindemann B., Maschler B., Sahlab N., Weyrich M. A survey on anomaly detection for technical systems using LSTM networks. Computers in Industry Vol. 131 p. 103498, 2021.
12. Wang H., Li M., Yue X. IncLSTM: incremental ensemble LSTM model towards time series data. Computers & Electrical Engineering Vol. 92, pp. 107156, 2021.
13. Staroletov S. A hierarchical temporal memory model in the sense of Hawkins. In 2021 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB). IEEE, pp. 470-475, 2021.
14. Potapov D. P., Tselebrovsky O. B., Staroletov S. M. Designing a bio-inspired memory-prediction model according to Hawkins (in Russian). In Modern Digital Technologies Barnaul, June 01, p. 243. 2023. Available: https://www.elibrary.ru/item.asp?id=54479906
15. Potapov D. P., Staroletov S. M. Design of a multilevel distributed system for analysis by bio-inspired sensory-motor algorithms (in Russian). In Modern Digital Technologies Barnaul, June 03, 2024. Available: https://www.elibrary.ru/item.asp?id=68573379
16. Staroletov S. M. Review of the current state of cortical algorithms and their application to real-time signal analysis. (In Russian). System Administrator Vol. 11, no. 240 p. 82-87, 2022. Available: https://www.elibrary.ru/item.asp?id=50021376
17. Ahmad S., Lavin A. Purdy S., Agha Z. Unsupervised real-time anomaly detection for streaming data. Neurocomputing Vol. 262, pp. 134-147, 2017.
18. Armstrong J. Programming Erlang: Software for a Concurrent World, 2013.
19. Software implementation. [Online]. Available: https://github.com/sablist99/ThousandBrains
20. Hawkins J. Volume 112. Super brain. Revolution in understanding human and artificial intelligence. Sber library, Alpina PRO, 2024. ISBN 978-5-206-00224-9. Available: https://sberuniversity.ru/research/library/46924
Рецензия
Для цитирования:
ПОТАПОВ Д.П., СТАРОЛЕТОВ С.М. Распределенная платформа для анализа масштабных данных с использованием биоподобных сенсомоторных алгоритмов. Труды Института системного программирования РАН. 2025;37(4):103-116. https://doi.org/10.15514/ISPRAS-2025-37(4)-21
For citation:
POTAPOV D.P., STAROLETOV S.M. A Distributed Framework for Large-Scale Data Analysis Using Bio-Inspired Sensory-Motor Algorithms. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2025;37(4):103-116. https://doi.org/10.15514/ISPRAS-2025-37(4)-21