Syvän oppimisen järjestelmä oppii paremmin, kun se häirintää

Alankomaiden ja Espanjan tietokonealan tutkijat ovat selvittäneet, miten syvän oppimisen järjestelmä oppii paremmin, kun se häirintää. Tekoäly (AI) on tarkoitettu kuvantunnistukseen ja voi oppia tunnistamaan ympäristönsä. Tiimi pystyi yksinkertaistamaan oppimisprosessin pakottamalla järjestelmän keskittymään sekundäärisiin ominaisuuksiin.

Convolutional Neural Networks

Syvän oppimisen järjestelmä perustuu convolutional neural network -verkkoihin (CNN), jotka ovat syvän oppimisen muoto tekoälyjärjestelmissä.

Estefanía Talavera Martinez on luennoitsija ja tutkija Alankomaiden Groningenin yliopiston Bernoulli-instituutissa, joka on matematiikan, tietojenkäsittelytieteen ja tekoälyn instituutti.

“Nämä CNN:t ovat onnistuneita, mutta emme täysin ymmärrä, miten ne toimivat”, Talavera Martinez sanoo.

Talavera Martinez on käyttänyt CNN:itä analysoimaan kuvia, jotka tulevat kannettavista kameroista tutkiessaan ihmisen käyttäytymistä. Jotkut hänen töistään ovat liittyneet ihmisten vuorovaikutukseen ruuan kanssa, joten hän päätti tehdä järjestelmän, joka tunnistaa eri tilanteita, joissa ihmiset kohtaavat ruuan.

“Huomasin, että järjestelmä teki virheitä joitain kuvien luokittelussa ja halusin tietää, miksi tämä tapahtui”, hän sanoi.

Hän käytti lämpökarttoja ja analysoi, mitkä kuvien osat CNN:t käyttivät tilanteen tunnistamiseen.

“Tämä johti hypoteesiin, että järjestelmä ei ollut katsonut tarpeeksi yksityiskohtia”, hän sanoi.

Yksi esimerkki oli tekoälyjärjestelmä, joka opetti itsensä käyttämään mukeja keittiön tunnistamiseen. Tässä esimerkissä tekoäly voi väärin luokitella alueita, kuten olohuoneita ja toimistoja, joissa on myös usein mukeja.

Talavera Martinez ja hänen tiiminsä kehittivät ratkaisun. Hänen kollegoitaan olivat David Morales ja Beatriz Remeseiro, jotka molemmat ovat Espanjassa. Ehdotettu ratkaisu oli häiritä järjestelmää sen ensisijaisista kohteista.

Ratkaisun kehittäminen

Tiimi koulutti CNN:itä standardilla kuvakokoelmalla lentokoneista tai autoista ja tunnistivat, mitkä kuvien osat käytettiin luokittelussa lämpökarttojen avulla. Nämä kuvien osat sumennettiin kuvakokoelmassa, ja kuvakokoelmaa käytettiin toisessa koulutuskaudessa.

“Tämä pakottaa järjestelmän etsimään tunnisteita muualta. Ja käyttämällä tätä lisätietoa, se tulee tarkemmaksi luokittelussa”, Talavera Martinez sanoi.

Uusi järjestelmä toimi hyvin standardikuvakokoelmissa ja oli onnistunut myös kannettavista kameroista kerätyissä kuvissa.

“Koulutusohjelma antaa meille samanlaisia tuloksia kuin muut lähestymistavat, mutta se on paljon yksinkertaisempi ja vaatii vähemmän laskentaaika”, hän sanoo.

Aikaisemmat yritykset parantaa hienojakoinen luokittelu ovat keskittyneet eri CNN-ryhmien yhdistämiseen, mutta kehitetty lähestymistapa on paljon kevyempi.

“Tämä tutkimus antoi meille paremman ymmärryksen siitä, miten nämä CNN:t oppivat, ja se on auttanut meitä parantamaan koulutusohjelmaa”, Talavera Martinez sanoi.