AI algoritmą, įkvėptą to, kaip vaikai mokosi, sunkiau supainioti

Kategorija: Dirbtinis intelektas Paskelbta gegužės 06 d

Informacinė gaisrinė žarna: Įprasta mašininio mokymosi algoritmo mokymo praktika yra pateikti visą informaciją iš karto. Tarkime, kad kuriate vaizdų klasifikavimo sistemą, kad atpažintumėte skirtingas gyvūnų rūšis. Rodote kiekvienos rūšies pavyzdžius ir atitinkamai pažymite juos: pavyzdžiui, vokiečių aviganis ir pudelis šunims.

Tačiau kai tėvai moko vaiką, požiūris yra visiškai kitoks. Jie prasideda daug platesnėmis etiketėmis: bet kuri šunų rūšis iš pradžių yra tiesiog šuo. Tik po to, kai vaikas išmoksta atskirti šias paprastesnes kategorijas, tėvai kiekvieną iš jų suskirsto į specifiškumą.

Išsklaidyta painiava: Semdamiesi įkvėpimo iš šio požiūrio, Carnegie Mellon universiteto mokslininkai sukūrė nauja technika kuris moko neuroninį tinklą klasifikuoti dalykus etapais. Kiekviename etape tinklas mato tuos pačius mokymo duomenis. Tačiau etiketės prasideda paprastos ir plačios, laikui bėgant tampa konkretesnės.

Norėdami nustatyti šį sunkumo progresą, mokslininkai pirmiausia parodė neuroniniam tinklui mokymo duomenis su galutinėmis išsamiomis etiketėmis. Tada jie apskaičiavo vadinamąją painiavos matricą, kuri parodo kategorijas, kurias modeliui buvo sunkiausia atskirti. Tyrėjai tai naudojo siekdami nustatyti mokymo etapus, sugrupuodami mažiausiai išsiskiriančias kategorijas į vieną etiketę ankstyvosiose stadijose ir suskaidydami jas į smulkesnes etiketes su kiekviena iteracija.

Didesnis tikslumas: Atliekant bandymus su keliais populiariais vaizdų klasifikavimo duomenų rinkiniais, šis metodas beveik visada lėmė galutinį mašininio mokymosi modelį, kuris pranoko įprastu metodu parengtą modelį. Geriausiu atveju tai padidino klasifikavimo tikslumą iki 7%.

Mokymasis pagal mokymo programą: Nors požiūris yra naujas, jo idėja nėra. Neuroninio tinklo mokymas didėjant sudėtingumo etapams yra žinomas kaip mokymasis pagal mokymo programą ir taikomas nuo 1990 m. Tačiau ankstesnėse mokymosi programose buvo siekiama parodyti neuroniniam tinklui skirtingą duomenų pogrupį kiekviename etape, o ne tuos pačius duomenis su skirtingomis etiketėmis. Naujausias požiūris buvo pristatyta dokumento bendraautorė Otilia Stretcu praėjusią savaitę vykusioje tarptautinėje mokymosi reprezentacijų konferencijoje.

Kodėl tai svarbu: Didžioji dauguma gilaus mokymosi tyrimų šiandien pabrėžia modelių dydį: jei vaizdų klasifikavimo sistemai sunku atskirti skirtingus objektus, tai reiškia, kad ji nebuvo išmokyta pakankamai pavyzdžių. Tačiau pasiskolinę įžvalgų iš to, kaip žmonės mokosi, mokslininkai rado naują metodą, leidžiantį pasiekti geresnių rezultatų naudojant lygiai tokius pačius mokymo duomenis. Jame siūlomas būdas sukurti efektyvesnius duomenis naudojančius mokymosi algoritmus.