ระบบการเรียนรู้แบบ Deep Learning ที่เรียนรู้ได้ดีขึ้นเมื่อถูกทำให้หลง注意

นักวิทยาศาสตร์คอมพิวเตอร์จากเนเธอร์แลนด์และสเปนได้ค้นพบว่าระบบ การเรียนรู้แบบ Deep Learning สามารถเรียนรู้ได้ดีขึ้นเมื่อถูกทำให้หลง注意 ระบบปัญญาประดิษฐ์ (AI) นี้มีเป้าหมายในการรู้จำภาพและสามารถเรียนรู้เพื่อรู้จักสภาพแวดล้อมของมัน ทีมนักวิจัยสามารถทำให้กระบวนการเรียนรู้ง่ายขึ้นหลังจากบังคับให้ระบบมุ่งเน้นไปที่คุณลักษณะรอง

Convolutional Neural Networks

ระบบการเรียนรู้แบบ Deep Learning นี้พึ่งพา Convolutional Neural Networks (CNNs) ซึ่งเป็นรูปแบบหนึ่งของการเรียนรู้แบบ Deep Learning สำหรับระบบ AI

Estefanía Talavera Martinez เป็น讲 viênและนักวิจัยที่สถาบัน Bernoulli สำหรับ數ศาสตร์, วิทยาศาสตร์คอมพิวเตอร์ และปัญญาประดิษฐ์ ของมหาวิทยาลัย Groningen ในเนเธอร์แลนด์

“CNNs เหล่านี้ประสบความสำเร็จ แต่เรายังไม่เข้าใจว่าพวกมันทำงานอย่างไร” Talavera Martinez กล่าว

Talavera Martinez ใช้ CNNs เพื่อวิเคราะห์ภาพที่มาจากกล้องที่สวมใส่ขณะศึกษาพฤติกรรมของมนุษย์ บางส่วนของงานของเธอเกี่ยวข้องกับการศึกษาการโต้ตอบของมนุษย์กับอาหาร ดังนั้นเธอจึงตั้งเป้าหมายให้ระบบสามารถรู้จักการตั้งค่าที่แตกต่างกันที่ผู้คนพบกับอาหาร

“ฉันสังเกตเห็นว่าระบบทำผิดพลาดในการจำแนกภาพบางภาพ และฉันต้องการทราบว่าทำไมจึงเกิดขึ้น” เธอกล่าว

เธอใช้แผนที่ความร้อนและวิเคราะห์ส่วนใดของภาพที่ CNNs ใช้เพื่อระบุการตั้งค่า

“ซึ่งนำไปสู่สมมติฐานที่ว่าระบบไม่ได้มองเห็นรายละเอียดเพียงพอ” เธอกล่าว

ตัวอย่างหนึ่งที่ให้มา คือ ระบบ AI ที่สอนตัวเองใช้ถ้วยเพื่อระบุห้องครัว ในตัวอย่างนี้ ระบบ AI อาจจำแนกพื้นที่อื่นๆ เช่น ห้องรับแขกและสำนักงาน ซึ่งมักจะมีถ้วยด้วย

Talavera Martinez และทีมของเธอจึงตั้งเป้าหมายที่จะพัฒนาโซลูชัน ร่วมด้วย David Morales และ Beatriz Remeseiro จากสเปน โซลูชันที่เสนอคือการทำให้ระบบหลง注意จากเป้าหมายหลัก

Developing the Solution

ทีมนักวิจัยฝึกอบรม CNNs โดยใช้เซตภาพมาตรฐานของเครื่องบินหรือรถยนต์ และระบุส่วนใดของภาพที่ใช้สำหรับการจำแนกประเภทผ่านแผนที่ความร้อน ส่วนเหล่านี้ของภาพถูกทำให้模糊ในเซตภาพ และเซตภาพถูกใช้สำหรับการฝึกอบรมครั้งที่สอง

“ซึ่งบังคับให้ระบบมองหาสิ่งอื่นสำหรับการระบุ และโดยใช้ข้อมูลเพิ่มเติมนี้ ระบบจะ变得มีรายละเอียดมากขึ้นในการจำแนก” Talavera Martinez กล่าว

ระบบใหม่นี้ทำงานได้ดีในเซตภาพมาตรฐานและประสบความสำเร็จในภาพที่รวบรวมจากกล้องที่สวมใส่

“การฝึกอบรมของเรามีผลลัพธ์ที่คล้ายกับวิธีการอื่นๆ แต่เรียบง่ายและต้องการเวลาในการคำนวณน้อยกว่า” เธอกล่าว

การพยายามก่อนหน้านี้ในการเพิ่มการจำแนกประเภทที่มีรายละเอียดมากขึ้นได้มุ่งเน้นไปที่การรวมเซต CNNs ที่แตกต่างกัน แต่วิธีการใหม่นี้มีน้ำหนักเบากว่ามาก

“การศึกษานี้ให้เราเข้าใจว่า CNNs เหล่านี้เรียนรู้อย่างไร และสิ่งนี้ช่วยให้เราปรับปรุงโปรแกรมการฝึกอบรม” Talavera Martinez กล่าว