Sistema di apprendimento profondo che apprende meglio quando è distratto

Gli scienziati informatici dei Paesi Bassi e della Spagna hanno determinato come un sistema di apprendimento profondo apprende meglio quando è distratto. L’intelligenza artificiale (AI) è finalizzata al riconoscimento di immagini e può imparare a riconoscere i suoi dintorni. Il team è riuscito a semplificare il processo di apprendimento dopo aver costretto il sistema a concentrarsi su caratteristiche secondarie.

Reti neurali convolutive

Il sistema di apprendimento profondo si basa su reti neurali convolutive (CNN), che sono una forma di apprendimento profondo per i sistemi di intelligenza artificiale.

Estefanía Talavera Martinez è una docente e ricercatrice presso l’Istituto Bernoulli di Matematica, Informatica e Intelligenza Artificiale dell’Università di Groninga nei Paesi Bassi.

“Queste CNN sono efficaci, ma non comprendiamo completamente come funzionano”, afferma Talavera Martinez.

Talavera Martinez ha utilizzato le CNN per analizzare le immagini provenienti da telecamere indossabili mentre studiava il comportamento umano. Alcuni dei suoi lavori si sono concentrati sullo studio delle interazioni umane con il cibo, quindi ha cercato di far riconoscere al sistema i diversi ambienti in cui le persone incontrano il cibo.

“Ho notato che il sistema commetteva errori nella classificazione di alcune immagini e dovevo capire perché questo accadeva”, ha detto.

Ha utilizzato mappe di calore e ha analizzato quali parti delle immagini venivano utilizzate dalle CNN per identificare l’ambiente.

“Ciò ha portato all’ipotesi che il sistema non stesse guardando abbastanza dettagli”, ha detto.

Un esempio fornito è stato quello di un sistema di intelligenza artificiale che si è insegnato a utilizzare le tazze per identificare una cucina. In questo esempio, il sistema di intelligenza artificiale poteva classificare erroneamente aree come salotti e uffici, che spesso hanno anche tazze.

Talavera Martinez e il suo team hanno quindi cercato di sviluppare una soluzione. I suoi colleghi includevano David Morales e Beatriz Remeseiro, entrambi in Spagna. La soluzione proposta era quella di distrarre il sistema dai suoi obiettivi principali.

Sviluppo della soluzione

Il team ha addestrato le CNN con un set di immagini standard di aerei o auto e ha identificato quali parti delle immagini venivano utilizzate per la classificazione attraverso mappe di calore. Queste parti delle immagini sono state quindi oscurate nel set di immagini e il set di immagini è stato utilizzato per un secondo round di addestramento.

“Ciò costringe il sistema a cercare altrove degli identificatori. E utilizzando queste informazioni aggiuntive, diventa più fine-granulare nella sua classificazione”, afferma Talavera Martinez.

Il nuovo sistema ha funzionato bene nei set di immagini standard e ha avuto successo nelle immagini raccolte dalle telecamere indossabili.

“Il nostro regime di addestramento ci dà risultati simili ad altri approcci, ma è molto più semplice e richiede meno tempo di calcolo”, afferma.

I precedenti tentativi di aumentare la classificazione fine-granulare si sono concentrati sulla combinazione di diversi set di CNN, ma l’approccio appena sviluppato è molto più leggero.

“Questo studio ci ha dato una migliore idea di come queste CNN imparano e ci ha aiutato a migliorare il programma di addestramento”, afferma Talavera Martinez.