Deep Learning System geriau mokosi, kai blaškosi

Kompiuterių mokslininkai iš Nyderlandų ir Ispanijos nustatė, kaip a gilaus mokymosi sistema geriau mokosi, kai blaškosi. Dirbtinis intelektas (AI) skirtas atpažinti vaizdą ir gali išmokti atpažinti aplinką. Komanda sugebėjo supaprastinti mokymosi procesą, privertusi sistemą sutelkti dėmesį į antrines charakteristikas.

Konvoliuciniai neuroniniai tinklai

Gilaus mokymosi sistema remiasi konvoliuciniais neuroniniais tinklais (CNN), kurie yra AI sistemų gilaus mokymosi forma. 

Estefanía Talavera Martinez yra Groningeno universiteto (Olandija) Bernulio matematikos, kompiuterių mokslo ir dirbtinio intelekto instituto dėstytoja ir mokslininkė.

„Šios CNN yra sėkmingos, bet mes visiškai nesuprantame, kaip jos veikia“, – sako Talavera Martinez.

Talavera Martinez naudojo CNN, kad analizuotų vaizdus, ​​gaunamus iš nešiojamų fotoaparatų, tirdama žmonių elgesį. Kai kurie jos darbai buvo susiję su žmonių sąveikos su maistu tyrimu, todėl ji nusprendė, kad sistema atpažintų skirtingas sąlygas, kuriose žmonės susiduria su maistu.

„Pastebėjau, kad sistema padarė klaidų klasifikuodama kai kurias nuotraukas ir turėjau žinoti, kodėl taip atsitiko“, – sakė ji.

Ji panaudojo šilumos žemėlapius ir išanalizavo, kurias vaizdų dalis naudojo CNN nustatymui nustatyti.

„Tai lėmė hipotezę, kad sistema nežiūrėjo pakankamai detalių“, – sakė ji.

Vienas iš pateiktų pavyzdžių buvo AI sistema, kuri išmoko naudoti puodelius virtuvei identifikuoti. Šiame pavyzdyje AI gali neteisingai klasifikuoti tokias sritis kaip gyvenamieji kambariai ir biurai, kuriuose taip pat dažnai yra puodelių.

Tada Talavera Martinez ir jos komanda nusprendė sukurti sprendimą. Jos kolegos buvo Davidas Moralesas ir Beatriz Remeseiro, abu gyvenantys Ispanijoje. Siūlomas sprendimas buvo atitraukti sistemą nuo pirminių tikslų.

Sprendimo kūrimas

Komanda apmokė CNN su standartiniu lėktuvų ar automobilių vaizdų rinkiniu ir nustatė, kurios vaizdų dalys buvo naudojamos klasifikuojant pagal šilumos žemėlapius. Tada šios vaizdų dalys buvo neryškios vaizdų rinkinyje, o vaizdų rinkinys buvo naudojamas antrajam mokymo etapui. 

„Tai verčia sistemą ieškoti identifikatorių kitur. Ir naudojant šią papildomą informaciją, jos klasifikacija tampa tikslesnė“, – sakė Talavera Martinez.

Naujoji sistema gerai veikė standartiniuose vaizdų rinkiniuose ir buvo sėkminga vaizduose, surinktuose iš nešiojamų fotoaparatų. 

„Mūsų mokymo režimas suteikia mums panašių rezultatų kaip ir kiti metodai, tačiau yra daug paprastesnis ir reikalauja mažiau skaičiavimo laiko“, - sako ji.

Ankstesni bandymai padidinti smulkiagrūdę klasifikaciją buvo sutelkti į skirtingų CNN rinkinių derinį, tačiau naujai sukurtas metodas yra daug lengvesnis.

"Šis tyrimas suteikė mums geresnį supratimą apie tai, kaip šie CNN mokosi, ir tai padėjo mums patobulinti mokymo programą", - sakė Talavera Martinez.