लॉजिस्टिक समीकरण का व्युत्पन्न
हैमिंग का एस-वक्र एक सटीक गणितीय व्युत्पन्न है। प्रौद्योगिकी अपनाने के बारे में दो अवलोकन से शुरू करें:
1. अपनाने की दर वर्तमान अपनाने के साथ तेजी से बढ़ती है (मुंह की बात, नेटवर्क प्रभाव): dP/dt ∝ P
2. जैसे-जैसे बाजार संतृप्त होता है, अपनाने की दर धीमी पड़ जाती है: dP/dt ∝ (1 − P)
संयोजित करें: dP/dt = r · P · (1 − P)
यह लॉजिस्टिक विभेदक समीकरण है। यह अलग है: आंशिक-अंश अपघटन सीधे एकीकरण की अनुमति देता है।
व्युत्पन्न
चरों को अलग करें: dP / [P(1−P)] = r dt
आंशिक अंश: 1/[P(1−P)] = 1/P + 1/(1−P)
दोनों पक्षों को एकीकृत करें: ln(P) − ln(1−P) = rt + C
ln[P/(1−P)] = rt + C
P/(1−P) = e^(rt+C) = e^C · e^(rt)
K = e^C माना। P के लिए हल करें: P = K·e^(rt) / (1 + K·e^(rt))
समान रूप से: P(t) = 1 / (1 + e^(−r(t − t₀)))
जहाँ t₀ = (ln K)/r विभक्ति बिंदु है।
विभक्ति बिंदु
t = t₀ पर: P = 0.5। दूसरा अवकलज d²P/dt² = 0: वृद्धि दर अधिकतम है। t₀ से पहले: ऊपर की ओर अवतल (त्वरणशील)। t₀ के बाद: नीचे की ओर अवतल (मंदकारी)।
डेटा के साथ लॉजिस्टिक को फिट करना
लॉजिस्टिक वक्र पर दो डेटा बिंदु दिए गए हैं, आप r और t₀ दोनों के लिए हल कर सकते हैं।
इंटरनेट अपनाना: P(1995) = 0.01 (यूएस घरों का 1%), P(2005) = 0.70 (70%)।
नेटवर्क मान एक ज्यामितीय गणना के रूप में
हैमिंग ने नोट किया कि अनुप्रयोगों ने हार्डवेयर या सॉफ्टवेयर की तुलना में कंप्यूटिंग अपनाने को अधिक प्रेरित किया। नेटवर्क-निर्भर अनुप्रयोग एक विशिष्ट वृद्धि मॉडल का अनुसरण करते हैं: उनका मान उनकी लागत से अधिक तेजी से बढ़ता है।
मेटकाल्फ का नियम
n उपयोगकर्ताओं वाले नेटवर्क का मान उपयोगकर्ताओं के बीच संभावित कनेक्शन की संख्या के समानुपाती है:
V(n) = k · n(n−1)/2 ≈ k · n²/2 (बड़े n के लिए)
जहाँ k एक कनेक्शन का मान है। नेटवर्क की लागत: C(n) ∝ n (मोटे तौर पर उपयोगकर्ता संख्या में रैखिक)।
मान-से-लागत अनुपात: V/C ∝ n²/n = n। जैसे-जैसे n बढ़ता है, अनुपात रैखिक रूप से बढ़ता है। 10x अधिक उपयोगकर्ताओं वाला नेटवर्क केवल 10x लागत पर लगभग 100x अधिक मान प्रदान करता है।
ज्यामितीय चित्र
n नोड्स के साथ, पूर्ण ग्राफ K_n में किनारों की संख्या C(n,2) = n(n−1)/2 है। यह एक संयोजक सूत्र है: n से 2 नोड्स चुनें। n=10 के लिए: C(10,2)=45। n=100 के लिए: C(100,2)=4950। n=1000 के लिए: C(1000,2)=499,500।
एस-वक्र और मेटकाल्फ का नियम इंटरैक्ट करते हैं: चरण 2 तेजी से अपनाने के दौरान, n तेजी से बढ़ता है, और V(n) n² के रूप में बढ़ता है। मान विभक्ति अपनाने की विभक्ति से पहले होती है — मान अपनाने से आगे तेजी से बढ़ता है, एक सकारात्मक प्रतिक्रिया लूप में अधिक अपनाने को खींचता है।
विभिन्न अपनाने के स्तरों पर नेटवर्क मान
ईमेल अपनाना: 1985 में (n=100,000 उपयोगकर्ता), k = $0.01 प्रति कनेक्शन-वर्ष। 1995 में (n=30,000,000 उपयोगकर्ता)।
ज्यामिति के रूप में अनुकूलन
हैमिंग की बोइंग टेप कहानी एक अनुकूलन विफलता का वर्णन करती है जिसका सटीक ज्यामितीय अर्थ है। किसी परिदृश्य पर कार्य f(x) का अनुकूलन आवश्यकता है:
1. एक सुपरिभाषित कार्य f: उद्देश्य (ड्रैग, लागत, बाजार में समय)
2. एक निश्चित परिदृश्य: f हर बार समान स्थिति में मूल्यांकन किया गया
3. एक ग्रेडिएंट: सबसे तेज सुधार की दिशा
जब माप के बीच परिदृश्य बदलता है, तो ग्रेडिएंट जिसका आप अनुमान लगाते हैं वह एक दिशा की ओर इशारा कर सकता है जो अब मौजूद नहीं है जब आप अगले कदम को उठाते हैं। आप gradient(f₁) की गणना कर रहे हैं लेकिन परिदृश्य f₂ में कदम बढ़ा रहे हैं।
ग्रेडिएंट डिसेंट
मानक ग्रेडिएंट डिसेंट: x_{t+1} = x_t − α ∇f(x_t)
जहाँ α = कदम का आकार (सीखने की दर), ∇f = ग्रेडिएंट वेक्टर (आंशिक अवकलज)।
बोइंग विफलता: समय t पर, टीम f(x_t) को मापती है। समय t+1 पर, टीम x को x_t + Δx में बदलती है। लेकिन साझा डेटाबेस भी बदल गया: f अब f' ≠ f है। देखा गया परिवर्तन: f'(x_t + Δx) − f(x_t)। यह f का ग्रेडिएंट नहीं है — इसमें परिदृश्य बदलाव से एक शब्द शामिल है।
फैंटम ग्रेडिएंट
मापा गया परिवर्तन = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]
= सही ग्रेडिएंट × Δx + परिदृश्य बदलाव
यदि परिदृश्य बदलाव हावी है: टीम f' में न्यूनतम की ओर बढ़ती है जो f में अधिकतम है। वे गलत चीज़ को अनुकूलित करते हैं — संभवतः माप को बेहतर दिखाते हुए अपने डिज़ाइन को और बदतर बनाते हैं।
फैंटम ग्रेडिएंट त्रुटि की मात्रा
एक टीम ड्रैग f(θ, s) को अनुकूलित करती है जहाँ θ = पंख कोण, s = स्पैन। सही ग्रेडिएंट: ∂f/∂θ = −0.5 (ड्रैग θ के साथ घटता है), ∂f/∂s = +0.3 (ड्रैग s के साथ बढ़ता है)।
दूसरी टीम एक साथ फ्यूलेज वजन कम करती है, जो ड्रैग फ़ंक्शन को बदलती है: f' = f − 0.8। (एक हल्का फ्यूलेज सभी कॉन्फ़िगरेशन में ड्रैग को 0.8 इकाई से कम करता है।)
पहली टीम मापती है: f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0.8] − f(θ, s) = −0.5·Δθ − 0.8।