ディープラーニングシステムは、気を散らされることでよりよく学習する

オランダとスペインのコンピュータ科学者は、ディープラーニングシステムが気を散らされることでよりよく学習することを発見しました。この人工知能（AI）は、画像認識を目的としており、周囲の環境を認識することができます。研究チームは、システムを二次的な特徴に焦点を当てさせることで、学習プロセスを簡素化することができました。

畳み込みニューラルネットワーク

ディープラーニングシステムは、畳み込みニューラルネットワーク（CNNs）に依存しており、これはAIシステムのためのディープラーニングの一種です。

エステファニア・タラベラ・マルティネスは、オランダのグロニンゲン大学のベルヌーイ数学・コンピュータサイエンス・人工知能研究所の講師および研究者です。

「これらのCNNは成功していますが、どのように機能するのかが完全には理解されていません」とタラベラ・マルティネスは述べています。

タラベラ・マルティネスは、人間の行動を研究するために、着用可能カメラからの画像をCNNで分析しました。彼女の研究の一部は、人間が食事とどのように関わるかを研究することに関係しています。彼女はシステムが食事に関連するさまざまな環境を認識できるようにしようとしました。

「システムが一部の画像の分類でエラーを犯していることに気づき、その理由を知りたかった」と彼女は述べています。

彼女は、ヒートマップを使用し、CNNが設定を識別するために画像のどの部分を使用しているかを分析しました。

「これにより、システムが十分な詳細を考慮していないという仮説が生まれました」と彼女は述べています。

例として、AIシステムがコップを使用してキッチンを識別することを学習した場合、リビングルームやオフィスなど、コップが頻繁に見られる他のエリアも誤ってキッチンとして分類する可能性があることが挙げられます。

タラベラ・マルティネスと彼女のチームは、解決策を開発しようとしました。彼女の同僚には、スペインのデビッド・モラレスとベアトリス・レメセイロが含まれました。提案された解決策は、システムを主なターゲットから気を散らすことでした。

解決策の開発

チームは、標準的な画像セット（例：飛行機や車）でCNNをトレーニングし、ヒートマップを使用して、画像のどの部分が分類に使用されているかを特定しました。次に、これらの画像部分をぼかして、画像セットを2回目のトレーニングに使用しました。

「これにより、システムは識別子を別の場所で探すようになり、追加情報を使用してより繊細な分類を行うことができます」とタラベラ・マルティネスは述べています。

新しいシステムは、標準的な画像セットでうまく機能し、着用可能カメラから収集された画像でも成功しました。

「私たちのトレーニング方式は、他のアプローチと同等の結果をもたらし、しかし、はるかにシンプルで、計算時間も少なくて済みます」と彼女は述べています。

以前の繊細な分類を増やすための試みは、さまざまなCNNセットの組み合わせに焦点を当てていましたが、新しく開発されたアプローチははるかに軽量です。

「この研究により、これらのCNNがどのように学習するかについてのより良い理解を得ることができ、それがトレーニングプログラムの改善に役立ちました」とタラベラ・マルティネスは述べています。