نظام التعلم العميق يتعلم بشكل أفضل عند تشتيت انتباهه

scientists من علماء الحاسوب في هولندا وإسبانيا حددوا كيفية عمل نظام التعلم العميق يتعلم بشكل أفضل عند تشتيت انتباهه. والذكاء الاصطناعي (AI) يهدف إلى التعرف على الصور ويمكنه التعرف على محيطه. وقام الفريق بتبسيط عملية التعلم بعد إجبار النظام على التركيز على الخصائص الثانوية.

شبكات التعلم العميق التجميعية

يعتمد نظام التعلم العميق على شبكات التعلم العميق التجميعية (CNNs)، والتي هي شكل من أشكال التعلم العميق لأنظمة الذكاء الاصطناعي.

إستيفانيا تالافيرا مارتينيز هي محاضرة وباحثة في معهد برنولي للرياضيات وعلوم الحاسوب والذكاء الاصطناعي بجامعة خرونينجن في هولندا.

“هذه الشبكات ناجحة، ولكننا لا نفهم تمامًا كيف تعمل”، تقول تالافيرا مارتينيز.

استخدمت تالافيرا مارتينيز الشبكات التجميعية لتحليل الصور التي تأتي من الكاميرات القابلة للارتداء أثناء دراسة سلوك الإنسان. بعض أعمالها تدور حول دراسة التفاعلات البشرية مع الطعام، لذلك حاولت جعل النظام يعرف الإعدادات المختلفة التي يتعامل فيها الناس مع الطعام.

“لقد لاحظت أن النظام يرتكب أخطاء في تصنيف بعض الصور وتريد معرفة السبب”، قالت.

استخدمت خرائط الحرارة ودرست أجزاء الصور التي يستخدمها الشبكات التجميعية لتحديد الإعداد.

“هذا أدى إلى فرضية أن النظام لا ينظر إلى تفاصيل كافية”، قالت.

مثال على ذلك هو نظام الذكاء الاصطناعي الذي علّم نفسه استخدام الكؤوس لتحديد المطبخ. في هذا المثال، يمكن للنظام تصنيف المناطق مثل الغرف المعيشة والمكاتب بشكل خاطئ، والتي غالبًا ما تحتوي على كؤوس.

ثم حاولت تالافيرا مارتينيز وفريقها تطوير حل. كان زملاؤها ديفيد موراليس وبياتريس ريميسيرو، كلاهما في إسبانيا. وكان الحل المقترح هو تشتيت انتباه النظام عن أهدافه الرئيسية.

تطوير الحل

قام الفريق بتدريب الشبكات التجميعية على مجموعة صور قياسية من الطائرات أو السيارات، وحددوا أجزاء الصور التي يستخدمها النظام لتصنيفها من خلال خرائط الحرارة. ثم تم تمييز أجزاء الصور هذه في مجموعة الصور، وتم استخدام مجموعة الصور هذه لجولة ثانية من التدريب.

“هذا يforces النظام على النظر إلى مكان آخر للمعرفات. ومن خلال استخدام هذه المعلومات الإضافية، يصبح النظام أكثر دقة في التصنيف”، تقول تالافيرا مارتينيز.

عمل النظام الجديد بشكل جيد في مجموعات الصور القياسية ونجح في الصور التي تم جمعها من الكاميرات القابلة للارتداء.

“نظامنا التدريبي يعطينا نتائج مشابهة للنهج الأخرى، ولكنها أبسط وتتطلب وقتًا أقل للحوسبة”، تقول.

المحاولات السابقة لزيادة التصنيف الدقيق ركزت على دمج مجموعات مختلفة من الشبكات التجميعية، ولكن النهج الجديد أقل بكثير من حيث الوزن.

“دراستنا أعطتنا فكرة أفضل عن كيفية عمل هذه الشبكات التجميعية، وهذا ساعدنا على تحسين برنامج التدريب”، تقول تالافيرا مارتينيز.