Account
Марков цепи пропил

Марков цепи пропил

Username
@markovdrankthechains
Category
Technologies
Country
RussiaRussia
Created
, 2 years
Subscribers3,453−2 in 4 days
Avg views per post, 7d1,459−27.3% vs prev 7d
ERR42.25%last 7 days

Subscribers, 30 days

Nov 11 – Nov 15−2 (−0.1%)

Show as table
DateSubscribers
Nov 11, 20263,455
Nov 12, 20263,450
Nov 13, 20263,452
Nov 14, 20263,452
Nov 15, 20263,453

Average views per post by day

By publication day

Show as table
DateAvg views per post
Oct 20, 20265,104
Oct 21, 20264,168
Oct 23, 20264,240
Oct 29, 20263,129
Oct 31, 20262,985
Nov 3, 20262,557
Nov 4, 20262,302
Nov 5, 20261,586
Nov 12, 20261,459

Most viewed this month

  1. 01
    Views6.97K
    Forwards72
    Reactions53
    Comments5
  2. 02
    Views4.24K
    Forwards24
    Reactions30
    Comments0
  3. 03
    Views4.17K
    Forwards55
    Reactions52
    Comments6
  4. 04
    Views3.24K
    Forwards83
    Reactions111
    Comments15
  5. 05
    Views3.13K
    Forwards45
    Reactions56
    Comments4

Latest posts

#364Photo
Views1,459−53%vs avg
Forwards19
Reactions39
Comments2
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
1 h688
13 h1,175
25 h1,240
76 h1,459
  1. After 1 hour688
  2. After 24 hours1,240
  3. Total to date1,459
#359Photo

На фоне затухающего хайпа с мухой, хочу рассказать одну историю Когда строится распределенная система, база данных, краулер или любое другое ПО для работы с большими объемами информации, появляется необходимость быстро ответить на вопрос “есть ли этот элемент в большом множестве”. Часто для таких сценариев используется фильтр Блума - он довольно эффективен по скорости/памяти, и с его помощью можно ответить на этот вопрос либо “точно нет”, либо “возможно да”. Но для некоторых задач такой ответ слишком груб. Например, рекомендательной системе новостей важно, насколько статья похожа на то, что человек недавно прочитал. Учитывать похожесть и забывать старое фильтры Блума по отдельности уже умели. В Гарварде в 2006 году обычные хеш-функции заменили на такие, у которых похожие элементы чаще попадают в одни и те же биты, и фильтр научился отвечать, есть ли во множестве что-то близкое к запросу. В Университете Альберты в том же году фильтр для краулера научили на каждом шаге уменьшать значения в нескольких случайных ячейках, чтобы давно не встречавшиеся адреса из него выпадали. Однако фильтра, который умел бы и то и другое, исследователи из Сан-Диего в 2018 году не знали и нашли такой у плодовой мушки [тык]. К тому времени нейробиологи обнаружили у мухи нейроны новизны. Они сильно отвечают на новый запах, заметно слабее на повторный, а примерно через час ответ снова становится сильным. Каждый запах муха кодирует меткой из небольшого набора активных клеток, и у похожих запахов метки во многом совпадают. Встреченный запах ослабляет связи от клеток своей метки к нейронам новизны, поэтому повтор вызывает слабый ответ, а со временем связи восстанавливаются. Авторы статьи увидели в этих связях биты фильтра Блума, а в метке его хеш. Позже эти алгоритмы попытались перенести на реальные задачи с переменным успехом. Институт Солка, где работали двое из авторов, подал патентную заявку на хеш мухи для поиска похожих картинок и документов. В IBM Research из фильтра сделали классификатор, который по точности вышел на уровень метода ближайших соседей, а Intel получила патент на поиск похожих векторов, где описан близкий алгоритм хеширования со ссылкой на обонятельную систему дрозофилы [тык]

Open in Telegram
Views2,557−18%vs avg
Forwards72
Reactions63
Comments1

All posts

Connections