Diep Leer Systeem Leert Beter als het Wordt Afgeleid

Computerwetenschappers uit Nederland en Spanje hebben ontdekt hoe een diep leer systeem beter leert als het wordt afgeleid. De kunstmatige intelligentie (AI) is gericht op beeldherkenning en kan leren om zijn omgeving te herkennen. Het team kon het leerproces vereenvoudigen nadat het systeem werd gedwongen om zich te concentreren op secundaire kenmerken.

Convolutional Neural Networks

Het diep leer systeem is afhankelijk van convolutional neural networks (CNN’s), die een vorm van diep leren voor AI-systemen zijn.

Estefanía Talavera Martinez is een docent en onderzoeker aan het Bernoulli Instituut voor Wiskunde, Informatica en Kunstmatige Intelligentie van de Rijksuniversiteit Groningen in Nederland.

‘Deze CNN’s zijn succesvol, maar we begrijpen niet volledig hoe ze werken’, zegt Talavera Martinez.

Talavera Martinez heeft CNN’s gebruikt om beelden te analyseren die afkomstig zijn van draagbare camera’s tijdens het bestuderen van menselijk gedrag. Sommige van haar werk is gericht op het bestuderen van menselijke interacties met voedsel, dus ze zette zich in om het systeem te laten herkennen de verschillende omgevingen waarin mensen voedsel tegenkomen.

‘Ik merkte dat het systeem fouten maakte in de classificatie van sommige afbeeldingen en moest weten waarom dit gebeurde’, zei ze.

Ze maakte gebruik van heat maps en analyseerde welke delen van de beelden door de CNN’s werden gebruikt om de omgeving te identificeren.

“Dit leidde tot de hypothese dat het systeem niet naar genoeg details keek”, zei ze.

Een voorbeeld was dat van een AI-systeem dat zichzelf leerde om mokken te gebruiken om een keuken te identificeren. In dit voorbeeld kon de AI verkeerd classificeren van gebieden zoals woonkamers en kantoren, die ook vaak mokken hebben.

Talavera Martinez en haar team gingen vervolgens aan de slag om een oplossing te ontwikkelen. Haar collega’s waren David Morales en Beatriz Remeseiro, beiden in Spanje. De voorgestelde oplossing was om het systeem af te leiden van hun primaire doelen.

Ontwikkeling van de Oplossing

Het team trainde CNN’s met een standaard beeldset van vliegtuigen of auto’s, en ze identificeerden welke delen van de beelden werden gebruikt voor classificatie door middel van heat maps. Deze delen van de beelden werden vervolgens vervaagd in de beeldset, en de beeldset werd gebruikt voor een tweede ronde van training.

“Dit dwingt het systeem om elders te zoeken naar identificatoren. En door gebruik te maken van deze extra informatie, wordt het meer fijngevoelig in zijn classificatie”, zei Talavera Martinez.

Het nieuwe systeem werkte goed in de standaard beeldsets en was succesvol in de beelden verzameld van draagbare camera’s.

“Ons trainingsregime geeft ons resultaten die vergelijkbaar zijn met andere benaderingen, maar is veel eenvoudiger en vereist minder rekenkracht”, zei ze.

Eerdere pogingen om de fijngevoeligheid van de classificatie te verhogen, zijn gericht op de combinatie van verschillende sets van CNN’s, maar de nieuw ontwikkelde benadering is veel lichter.

“Deze studie gaf ons een beter idee van hoe deze CNN’s leren, en dat heeft ons geholpen om het trainingsprogramma te verbeteren”, zei Talavera Martinez.