Λειτουργία Μαθήματος Βαθιάς Μάθησης που Μάθεται Καλύτερα Όταν Διαταράσσεται

Οι επιστήμονες υπολογιστών από τις Κάτω Χώρες και την Ισπανία έχουν καθορίσει πώς ένα σύστημα βαθιάς μάθησης μαθαίνει καλύτερα όταν διαταράσσεται. Η τεχνητή νοημοσύνη (ΤΝ) έχει ως στόχο την αναγνώριση εικόνων και μπορεί να μάθει να αναγνωρίζει το περιβάλλον της. Η ομάδα μπόρεσε να απλοποιήσει τη διαδικασία μάθησης μετά την εξαναγκασμό του συστήματος να επικεντρωθεί σε δευτερεύουσες ιδιότητες.

Συνελικτικά Νευρωνικά Δίκτυα

Το σύστημα βαθιάς μάθησης βασίζεται σε συνελικτικά νευρωνικά δίκτυα (ΣΝΔ), τα οποία είναι μια μορφή βαθιάς μάθησης για συστήματα ΤΝ.

Η Estefanía Talavera Martinez είναι λέκτορας και ερευνήτρια στο Ινστιτούτο Bernoulli για τα Μαθηματικά, την Επιστήμη των Υπολογιστών και την Τεχνητή Νοημοσύνη του Πανεπιστημίου του Groningen στις Κάτω Χώρες.

«Αυτά τα ΣΝΔ είναι επιτυχημένα, αλλά δεν κατανοούμε πλήρως πώς λειτουργούν», λέει η Talavera Martinez.

Η Talavera Martinez έχει χρησιμοποιήσει ΣΝΔ για την ανάλυση εικόνων που προέρχονται από φορητές κάμερες ενώ μελετά την ανθρώπινη συμπεριφορά. Κάποιο από το έργο της έχει επικεντρωθεί στη μελέτη των ανθρώπινων αλληλεπιδράσεων με το φαγητό, οπότε προσπάθησε να κάνει το σύστημα να αναγνωρίσει τις διαφορετικές ρυθμίσεις στις οποίες οι άνθρωποι συναντώνται με το φαγητό.

«Παρατήρησα ότι το σύστημα έκανε λάθη στην ταξινόμηση ορισμένων εικόνων και χρειαζόμουν να ξέρω γιατί συνέβη αυτό», είπε.

Χρησιμοποίησε χάρτες θερμότητας και ανάλυσε ποια μέρη των εικόνων χρησιμοποιούσαν τα ΣΝΔ για την αναγνώριση της ρύθμισης.

«Αυτό οδήγησε στην υπόθεση ότι το σύστημα δεν έβλεπε αρκετές λεπτομέρειες», είπε.

Ένα παράδειγμα που δόθηκε ήταν αυτό ενός συστήματος ΤΝ που δίδαξε στον εαυτό του να χρησιμοποιεί κούπες για να αναγνωρίσει μια κουζίνα. Σε αυτό το παράδειγμα, το σύστημα ΤΝ θα μπορούσε να ταξινομήσει λανθασμένα περιοχές όπως σαλόνια και γραφεία, τα οποία επίσης συχνά έχουν κούπες.

Η Talavera Martinez και η ομάδα της έπειτα προσπάθησαν να αναπτύξουν μια λύση. Οι συνεργάτες της περιελάμβαναν τους David Morales και Beatriz Remeseiro, και οι δύο στην Ισπανία. Η προτεινόμενη λύση ήταν να απομακρύνουν το σύστημα από τους πρωταρχικούς στόχους του.

Ανάπτυξη της Λύσης

Η ομάδα εκπαίδευσε ΣΝΔ με ένα τυπικό σύνολο εικόνων αεροπλάνων ή αυτοκινήτων και αναγνώρισαν ποια μέρη των εικόνων χρησιμοποιήθηκαν για την ταξινόμηση μέσω χαρτών θερμότητας. Αυτά τα μέρη των εικόνων затемνθηκαν στο σύνολο εικόνων και το σύνολο εικόνων χρησιμοποιήθηκε για μια δεύτερη σειρά εκπαίδευσης.

«Αυτό αναγκάζει το σύστημα να κοιτάξει αλλού για αναγνωριστικά. Και χρησιμοποιώντας αυτή την πρόσθετη πληροφορία, γίνεται πιο λεπτομερής στην ταξινόμηση», είπε η Talavera Martinez.

Το νέο σύστημα λειτουργούσε καλά στα τυπικά σύνολα εικόνων και ήταν επιτυχημένο στις εικόνες που συλλέχθηκαν από φορητές κάμερες.

«Το πρόγραμμα εκπαίδευσής μας δίνει αποτελέσματα παρόμοια με άλλες προσεγγίσεις, αλλά είναι πολύ απλούστερο και απαιτεί λιγότερο χρόνο υπολογισμού», λέει.

Προηγούμενες προσπάθειες για αύξηση της λεπτομερούς ταξινόμησης έχουν επικεντρωθεί στην συνδυασμό διαφορετικών συνόλων ΣΝΔ, αλλά η καινούρια προσεγγισμένη μέθοδος είναι πολύ πιο ελαφριά.

«Αυτή η μελέτη μας έδωσε μια καλύτερη ιδέα για το πώς αυτά τα ΣΝΔ μαθαίνουν, και αυτό μας βοήθησε να βελτιώσουμε το πρόγραμμα εκπαίδευσης», είπε η Talavera Martinez.