Tiefes Lernen-System lernt besser, wenn es abgelenkt wird

Computerwissenschaftler aus den Niederlanden und Spanien haben herausgefunden, wie ein Tiefes Lernen-System besser lernt, wenn es abgelenkt wird. Die künstliche Intelligenz (KI) ist auf Bilderkennung ausgerichtet und kann lernen, ihre Umgebung zu erkennen. Das Team konnte den Lernprozess vereinfachen, nachdem es das System gezwungen hatte, sich auf sekundäre Merkmale zu konzentrieren.

Convolutional Neural Networks

Das Tiefes Lernen-System basiert auf Convolutional Neural Networks (CNNs), die eine Form des Tiefen Lernens für KI-Systeme sind.

Estefanía Talavera Martinez ist Dozentin und Forscherin am Bernoulli-Institut für Mathematik, Informatik und Künstliche Intelligenz der Universität Groningen in den Niederlanden.

“Diese CNNs sind erfolgreich, aber wir verstehen nicht vollständig, wie sie funktionieren”, sagt Talavera Martinez.

Talavera Martinez hat CNNs verwendet, um Bilder zu analysieren, die von tragbaren Kameras stammen, während sie das menschliche Verhalten studierte. Ein Teil ihrer Arbeit drehte sich um das Studium der menschlichen Interaktionen mit Nahrung, also versuchte sie, das System zu entwickeln, um die verschiedenen Umgebungen zu erkennen, in denen Menschen Nahrung encuentern.

“Ich bemerkte, dass das System Fehler bei der Klassifizierung einiger Bilder machte und ich musste wissen, warum das passierte”, sagte sie.

Sie verwendete Heatmaps und analysierte, welche Teile der Bilder von den CNNs verwendet wurden, um die Umgebung zu identifizieren.

“Das führte zu der Hypothese, dass das System nicht genug Details ansah”, sagte sie.

Ein Beispiel war ein KI-System, das sich selbst beigebracht hatte, Mühlen zu verwenden, um eine Küche zu identifizieren. In diesem Beispiel konnte die KI falsch klassifizieren, Bereiche wie Wohnzimmer und Büros, die auch oft Mühlen haben.

Talavera Martinez und ihr Team entwickelten dann eine Lösung. Ihre Kollegen waren David Morales und Beatriz Remeseiro, beide in Spanien. Die vorgeschlagene Lösung bestand darin, das System von seinen primären Zielen abzulenken.

Entwicklung der Lösung

Das Team trainierte CNNs mit einem Standard-Bildersatz von Flugzeugen oder Autos und identifizierte, welche Teile der Bilder für die Klassifizierung verwendet wurden, indem sie Heatmaps verwendeten. Diese Teile der Bilder wurden dann im Bildersatz unscharf gemacht und der Bildersatz wurde für eine zweite Trainingsrunde verwendet.

“Das zwingt das System, anderswo nach Identifikatoren zu suchen. Und durch die Verwendung dieser zusätzlichen Informationen wird es feiner in seiner Klassifizierung”, sagte Talavera Martinez.

Das neue System funktionierte gut in den Standard-Bildersätzen und war erfolgreich in den Bildern, die von tragbaren Kameras gesammelt wurden.

“Unser Trainingsregime liefert uns Ergebnisse, die anderen Ansätzen ähnlich sind, aber es ist viel einfacher und benötigt weniger Rechenzeit”, sagte sie.

Frühere Versuche, die feine Klassifizierung zu erhöhen, konzentrierten sich auf die Kombination verschiedener CNN-Sätze, aber der neu entwickelte Ansatz ist viel leichter.

“Diese Studie gab uns eine bessere Vorstellung davon, wie diese CNNs lernen, und das half uns, das Trainingsprogramm zu verbessern”, sagte Talavera Martinez.