„Google“ tyrėjai turi naują alternatyvą tradiciniams neuroniniams tinklams

Kategorija: Dirbtinis intelektas Paskelbta Lapkričio 01 d

Pasisveikinkite su kapsulių tinklu.

AI per pastaruosius kelerius metus mėgavosi didžiuliu augimu, o didžiąją šios sėkmės dalį lėmė gilūs neuroniniai tinklai, kurie suteikia tokių įspūdingų gudrybių kaip vaizdo atpažinimas. Tačiau didėja susirūpinimas, kad kai kurie pagrindiniai principai, dėl kurių tos sistemos buvo tokios sėkmingos, gali nepajėgti įveikti didelių problemų, su kuriomis susiduria dirbtinis intelektas – galbūt didžiausia iš jų yra didžiulio duomenų kiekio, iš kurio būtų galima mokytis, poreikis. giliai pasinerkite į tai, peržiūrėkite mūsų funkciją „Ar AI jodinėja ponis su vienu triuku?“).

Atrodo, kad „Google“ atstovas Geoffas Hintonas yra vienas iš tų, kurie nerimauja dėl AI ateities. Kaip Laidinis pranešimus , Hintonas pristatė naują požiūrį į tradicinius neuroninius tinklus, kuriuos jis vadina kapsuliniais tinklais. Poroje naujų popierių – vienas paskelbtas arXIv , Kitas „OpenReview“. —Hintonas ir saujelė kolegų paaiškina, kaip jie dirba.

Jų metodas naudoja mažas neuronų grupes, bendrai žinomas kaip kapsulės, kurios yra suskirstytos į sluoksnius, kad būtų galima identifikuoti dalykus vaizdo įraše ar vaizduose. Kai kelios kapsulės viename sluoksnyje susitaria ką nors aptikti, jos aktyvuoja kapsulę aukštesniu lygiu – ir taip toliau, kol tinklas gali nuspręsti, ką mato. Kiekviena iš tų kapsulių sukurta taip, kad aptiktų konkrečią vaizdo ypatybę, kad galėtų jas atpažinti įvairiais scenarijais, pvz., iš skirtingų kampų.

Hintonas teigia, kad metodas, kuris buvo kuriamas dešimtmečius, turėtų leisti jo tinklams atpažinti objektus naujose situacijose su mažiau duomenų, nei turi naudoti įprasti neuroniniai tinklai.

Iki šiol paskelbtuose straipsniuose buvo įrodyta, kad kapsuliniai tinklai neatsilieka nuo įprastų neuroninių tinklų, kai reikia identifikuoti ranka rašytus simbolius, ir jie daro mažiau klaidų bandydami atpažinti anksčiau pastebėtus žaislus iš skirtingų kampų. Tačiau bent jau šiuo metu jie vis dar yra šiek tiek lėtesni nei jų tradiciniai kolegos.

Dabar ateina įdomioji dalis. Ar šios sistemos bus patraukli alternatyva tradiciniams neuroniniams tinklams, ar jos sustos? Galime tikėtis, kad mašininio mokymosi bendruomenė atliks darbą ir greitai, kad tai išsiaiškintų. Bet kuriuo atveju, tuos, kurie nerimauja dėl dabartinių AI sistemų apribojimų, gali nudžiuginti tai, kad mokslininkai stumia ribas kurdami naujas gilaus mokymosi alternatyvas.