Sistema de aprendizaje profundo aprende mejor cuando está distraído

Los científicos informáticos de los Países Bajos y España han determinado cómo un sistema de aprendizaje profundo aprende mejor cuando está distraído. El sistema de inteligencia artificial (IA) está dirigido al reconocimiento de imágenes y puede aprender a reconocer su entorno. El equipo pudo simplificar el proceso de aprendizaje después de obligar al sistema a centrarse en características secundarias.

Redes Neuronales Convolutivas

El sistema de aprendizaje profundo se basa en redes neuronales convolutivas (CNN), que son una forma de aprendizaje profundo para sistemas de IA.

Estefanía Talavera Martinez es profesora e investigadora en el Instituto Bernoulli de Matemáticas, Ciencias de la Computación y Inteligencia Artificial de la Universidad de Groninga en los Países Bajos.

“Estas CNN son exitosas, pero no entendemos completamente cómo funcionan”, dice Talavera Martinez.

Talavera Martinez ha utilizado CNN para analizar imágenes que provienen de cámaras portátiles mientras estudia el comportamiento humano. Algunos de sus trabajos han girado en torno a estudiar las interacciones humanas con la comida, por lo que se propuso hacer que el sistema reconociera los diferentes entornos en los que las personas se encuentran con la comida.

“Me di cuenta de que el sistema cometía errores en la clasificación de algunas imágenes y necesitaba saber por qué sucedía esto”, dijo.

Utilizó mapas de calor y analizó qué partes de las imágenes utilizaban las CNN para identificar el entorno.

“Esto llevó a la hipótesis de que el sistema no estaba mirando suficientes detalles”, dijo.

Un ejemplo dado fue el de un sistema de IA que se enseñó a sí mismo a utilizar tazas para identificar una cocina. En este ejemplo, el sistema podría clasificar incorrectamente áreas como salas de estar y oficinas, que también suelen tener tazas.

Talavera Martinez y su equipo luego se propusieron desarrollar una solución. Sus colegas incluyeron a David Morales y Beatriz Remeseiro, ambos en España. La solución propuesta fue distraer al sistema de sus objetivos principales.

Desarrollando la Solución

El equipo entrenó a las CNN con un conjunto de imágenes estándar de aviones o coches, e identificaron qué partes de las imágenes se utilizaban para la clasificación a través de mapas de calor. Estas partes de las imágenes se desenfocaron en el conjunto de imágenes, y el conjunto de imágenes se utilizó para una segunda ronda de entrenamiento.

“Esto obliga al sistema a buscar en otros lugares identificadores. Y al utilizar esta información adicional, se vuelve más detallado en su clasificación”, dijo Talavera Martinez.

El nuevo sistema funcionó bien en los conjuntos de imágenes estándar y fue exitoso en las imágenes recopiladas de cámaras portátiles.

“Nuestro régimen de entrenamiento nos da resultados similares a otros enfoques, pero es mucho más simple y requiere menos tiempo de computación”, dice.

Los intentos anteriores de aumentar la clasificación detallada se han centrado en la combinación de diferentes conjuntos de CNN, pero el enfoque desarrollado es mucho más ligero.

“Este estudio nos dio una mejor idea de cómo aprenden estas CNN, y eso nos ha ayudado a mejorar el programa de entrenamiento”, dijo Talavera Martinez.