Судлаачид өгөгдлийн багцын хазайлтыг даван туулахын тулд мэдрэл судлаачдыг хайж байна

MIT, Харвардын их сургууль, Фүжицү ХХК-ийн судлаачдын баг машин сургалтын загвар нь өгөгдлийн багцын хазайлтыг хэрхэн даван туулж болохыг судалжээ. Тэд хиймэл мэдрэлийн сүлжээ хэзээ ч харж байгаагүй объектуудыг таньж сурах эсэхэд сургалтын өгөгдөл хэрхэн нөлөөлж байгааг судлахын тулд мэдрэл судлалын аргад тулгуурласан. 

Судалгааг нийтэлсэн Байгалийн машины оюун ухаан. 

Сургалтын мэдээллийн олон талт байдал

Судалгааны үр дүнд сургалтын мэдээллийн олон талт байдал нь мэдрэлийн сүлжээ нь хэвийх байдлыг даван туулах чадвартай эсэхэд нөлөөлдөг болохыг харуулсан. Гэсэн хэдий ч мэдээллийн олон талт байдал нь сүлжээний гүйцэтгэлд сөргөөр нөлөөлдөг. Судлаачид мөн мэдрэлийн сүлжээг сургах арга нь өрөөсгөл мэдээллийн багцыг даван туулж чадах эсэхэд нөлөөлдөг болохыг харуулсан. 

Xavier Boix бол Тархи, танин мэдэхүйн шинжлэх ухааны тэнхим (BCS) болон Тархи, оюун ухаан, машинуудын төвийн (CBMM) судлаач эрдэмтэн юм. Тэрээр мөн нийтлэлийн ахлах зохиолч юм. 

"Мэдрэлийн сүлжээ нь өгөгдлийн багцын хазайлтыг даван туулж чаддаг бөгөөд энэ нь урам зоригтой юм. Гэхдээ эндээс авах гол зүйл бол бид мэдээллийн олон янз байдлыг харгалзан үзэх ёстой. Хэрэв та зүгээр л нэг тонн түүхий мэдээлэл цуглуулвал энэ нь таныг хаа нэгтээ хүргэнэ гэж бодохоо болих хэрэгтэй. Бид эхний ээлжинд өгөгдлийн багцыг хэрхэн зохион бүтээхдээ маш болгоомжтой байх хэрэгтэй" гэж Бойс хэлэв.

Баг нь шинэ хандлагыг боловсруулахын тулд мэдрэл судлаачийн оюун ухааныг хүлээн авсан. Boix-ийн хэлснээр, туршилтанд хяналттай өгөгдлийн багц ашиглах нь түгээмэл байдаг тул баг янз бүрийн байрлал дахь янз бүрийн объектын зургийг агуулсан мэдээллийн багцыг бүтээсэн. Дараа нь тэд хослолуудыг хянаж байсан тул зарим мэдээллийн багц нь бусдаасаа илүү олон янз байсан. Объектыг зөвхөн нэг өнцгөөс харуулдаг илүү олон зураг бүхий өгөгдлийн багц нь арай бага, харин объектыг олон өнцгөөс харуулсан зураг илүү олон янз байдаг. 

Судлаачид эдгээр өгөгдлийн багцыг авч, дүрс ангилах мэдрэлийн сүлжээг сургахад ашигласан. Дараа нь тэд сургалтын явцад сүлжээний хараагүй өнцгөөс объектуудыг таних нь хэр сайн болохыг судалжээ. 

Тэд илүү олон төрлийн өгөгдлийн багц нь сүлжээнд шинэ зураг эсвэл үзэл бодлыг илүү сайн ерөнхийд нь нэгтгэх боломжийг олгодог бөгөөд энэ нь өрөөсгөл хандлагыг даван туулахад чухал ач холбогдолтой болохыг олж мэдсэн. 

“Гэхдээ өгөгдлийн олон янз байдал нь үргэлж сайн байдаг шиг биш юм; энд хурцадмал байдал байна. Мэдрэлийн сүлжээ нь хараагүй шинэ зүйлээ таних чадвараа дээшлүүлснээр аль хэдийн үзсэн зүйлээ танихад хэцүү болно" гэж Бойкс хэлэв.

Мэдрэлийн сүлжээг сургах аргууд

Баг нь даалгавар болгонд тусад нь бэлтгэгдсэн загвар нь хоёр даалгаврыг хамтад нь бэлтгэсэн загвартай харьцуулахад хэвийх байдлыг илүү даван туулах чадвартай болохыг олж тогтоосон. 

“Үр дүн нь үнэхээр гайхалтай байлаа. Үнэндээ бид анх удаа энэ туршилтыг хийж байхдаа алдаа гэж бодсон. Энэ нь үнэхээр гэнэтийн байсан тул бодит үр дүн гэдгийг ойлгоход хэдэн долоо хоног зарцуулсан" гэж Бойс үргэлжлүүлэн хэлэв.

Нарийвчилсан шинжилгээгээр мэдрэлийн эсийн мэргэшил энэ үйл явцад оролцдог болохыг харуулсан. Мэдрэлийн сүлжээг зурган дээрх объектуудыг танихад сургахад хоёр төрлийн мэдрэлийн эсүүд гарч ирдэг. Нэг нейрон нь объектын ангиллыг таних чиглэлээр мэргэшсэн бол нөгөө нь үзэл бодлыг таних чиглэлээр мэргэшсэн байдаг. 

Сүлжээг тусад нь даалгаврыг гүйцэтгэхэд сургасан үед тусгай мэдрэлийн эсүүд илүү тод болдог. Гэсэн хэдий ч сүлжээг хоёр ажлыг нэгэн зэрэг гүйцэтгэхэд сургахад зарим мэдрэлийн эсүүд шингэрдэг. Энэ нь тэд нэг ажилд мэргэшдэггүй, төөрөлдөх магадлалтай гэсэн үг юм. 

"Гэхдээ дараагийн асуулт бол эдгээр мэдрэлийн эсүүд яаж тэнд очсон бэ? Та мэдрэлийн сүлжээг сургадаг бөгөөд тэдгээр нь сургалтын үйл явцаас гарч ирдэг. Сүлжээнд эдгээр төрлийн нейроныг архитектуртаа оруулахыг хэн ч хэлээгүй. Энэ бол сэтгэл татам зүйл" гэж Бойкс хэлэв.

Судлаачид энэ асуултыг цаашдын ажилдаа судлахаас гадна илүү төвөгтэй ажлуудад шинэ хандлагыг ашиглахыг хичээх болно.