Sistemul de învățare profundă învață mai bine atunci când este distras

Oamenii de știință din Țările de Jos și Spania au determinat modul în care un sistem de învățare profundă învață mai bine atunci când este distras. Inteligența artificială (IA) este destinată recunoașterii de imagini și poate învăța să-și recunoască împrejurimile. Echipa a reușit să simplifice procesul de învățare după ce a forțat sistemul să se concentreze pe caracteristici secundare.

Rețele Neurale Convolutionale

Sistemul de învățare profundă se bazează pe rețele neurale convolutionale (CNN), care sunt o formă de învățare profundă pentru sistemele IA.

Estefanía Talavera Martinez este lector și cercetător la Institutul Bernoulli pentru Matematică, Informatică și Inteligență Artificială al Universității din Groningen, Țările de Jos.

“Aceste CNN-uri sunt de succes, dar nu înțelegem pe deplin cum funcționează”, spune Talavera Martinez.

Talavera Martinez a utilizat CNN-uri pentru a analiza imagini provenite de la camere purtabile, în timp ce studia comportamentul uman. Unele dintre lucrările sale s-au axat pe studierea interacțiunilor umane cu alimentele, astfel că a încercat să facă sistemul să recunoască diferitele medii în care oamenii se întâlnesc cu alimentele.

“Am observat că sistemul a făcut erori la clasificarea unor imagini și trebuia să știu de ce s-a întâmplat acest lucru”, a spus ea.

A utilizat hărți de căldură și a analizat care părți ale imaginilor au fost utilizate de către CNN-uri pentru a identifica mediul.

“Acest lucru a condus la ipoteza că sistemul nu a examinat suficiente detalii”, a spus ea.

Un exemplu dat a fost acela al unui sistem IA care și-a învățat să utilizeze cănile pentru a identifica o bucătărie. În acest exemplu, IA ar fi putut clasifica greșit zone precum camerele de zi și birourile, care de asemenea au adesea căni.

Talavera Martinez și echipa sa au încercat apoi să dezvolte o soluție. Colegii săi au inclus David Morales și Beatriz Remeseiro, amândoi din Spania. Soluția propusă a fost să distragă sistemul de la țintele sale principale.

Dezvoltarea Soluției

Echipa a antrenat CNN-uri cu un set standard de imagini cu avioane sau mașini și au identificat care părți ale imaginilor au fost utilizate pentru clasificare prin hărți de căldură. Aceste părți ale imaginilor au fost apoi estompate în setul de imagini și setul de imagini a fost utilizat pentru o a doua rundă de antrenament.

“Acest lucru forțează sistemul să caute altundeva pentru identificatori. Și prin utilizarea acestei informații suplimentare, devine mai fină în clasificarea sa”, a spus Talavera Martinez.

Noul sistem a funcționat bine în seturile standard de imagini și a fost de succes în imaginile colectate de la camerele purtabile.

“Regimul nostru de antrenament ne oferă rezultate similare cu alte abordări, dar este mult mai simplu și necesită mai puțin timp de calcul”, spune ea.

Încercările anterioare de a crește clasificarea fină s-au axat pe combinarea diferitelor seturi de CNN-uri, dar abordarea nou dezvoltată este mult mai ușoară.

“Acest studiu ne-a oferit o idee mai bună despre cum învață aceste CNN-uri și ne-a ajutat să îmbunătățim programul de antrenament”, a spus Talavera Martinez.