Dyb Læringssystem Lærer Bedre Når Det Er Afledt

Computerforskere fra Nederlandene og Spanien har fastlagt, hvordan et dyb læringssystem lærer bedre, når det er afledt. Den kunstige intelligens (AI) er rettet mod billedgenkendelse og kan lære at genkende sin omgang. Holdet kunne forenkle læreprocessen efter at have tvunget systemet til at fokusere på sekundære karakteristika.

Convolutional Neural Netværk

Det dybe læringssystem afhænger af convolutional neural netværk (CNN), som er en form for dyb læring til AI-systemer.

Estefanía Talavera Martinez er lektor og forsker ved Bernoulli-instituttet for matematik, datalogi og kunstig intelligens ved Universitetet i Groningen i Nederlandene.

“Disse CNN’er er succesfulde, men vi forstår ikke fuldt ud, hvordan de fungerer”, siger Talavera Martinez.

Talavera Martinez har brugt CNN’er til at analysere billeder, der kommer fra bærbare kameraer, mens hun studerede menneskelig adfærd. Noget af hendes arbejde har kredset om at studere menneskelige interaktioner med mad, så hun satte sig for at få systemet til at genkende de forskellige omgivelser, hvor mennesker møder mad.

“Jeg lagde mærke til, at systemet begik fejl i klassificeringen af nogle billeder og havde brug for at vide, hvorfor dette skete”, sagde hun.

Hun brugte varmekort og analyserede, hvilke dele af billederne, der blev brugt af CNN’er til at identificere omgangen.

“Dette ledte til hypotesen om, at systemet ikke så på nok detaljer”, sagde hun.

Et eksempel, der blev givet, var et AI-system, der havde lært sig selv at bruge kopper til at identificere en køkken. I dette eksempel kunne AI-systemet forkert klassificere områder som stuer og kontorer, der også ofte har kopper.

Talavera Martinez og hendes hold satte sig herefter for at udvikle en løsning. Hendes kolleger inkluderede David Morales og Beatriz Remeseiro, begge fra Spanien. Den foreslåede løsning var at aflede systemet fra deres primære mål.

Udvikling Af Løsningen

Holdet trænede CNN’er med en standard billedsæt af fly eller biler og identificerede, hvilke dele af billederne, der blev brugt til klassificering gennem varmekort. Disse dele af billederne blev herefter uddybet i billedsættet, og billedsættet blev brugt til en anden runde af træning.

“Dette tvinger systemet til at se andre steder efter identifikatorer. Og ved at bruge denne ekstra information, bliver det mere finmasket i sin klassificering”, sagde Talavera Martinez.

Det nye system fungerede godt i de standard billedsæt og var succesfuldt i billederne, der blev indsamlet fra bærbare kameraer.

“Vores træningsregime giver os resultater, der ligner andre tilgange, men er langt enklere og kræver mindre beregnings tid”, siger hun.

Tidligere forsøg på at øge finmasket klassificering har fokuseret på kombinationen af forskellige sæt af CNN’er, men den nyligt udviklede tilgang er langt mere letvægts.

“Denne studie gav os en bedre forståelse af, hvordan disse CNN’er lærer, og det har hjulpet os til at forbedre træningsprogrammet”, sagde Talavera Martinez.