นักวิจัยมองหานักวิทยาศาสตร์สมองเพื่อเอาชนะความลำเอียงของชุดข้อมูล

ทีมนักวิจัยจาก MIT, Harvard University และ Fujitsu, Ltd. ได้ศึกษาวิธีการที่โมเดลการเรียนรู้ของเครื่องสามารถเอาชนะความลำเอียงของชุดข้อมูลได้ พวกเขาใช้แนวทางของนักวิทยาศาสตร์สมองในการศึกษาว่าข้อมูลการฝึกอบรมส่งผลต่อความสามารถของเครือข่ายประสาทเทียมในการรู้จำวัตถุที่ไม่เคยเห็นมาก่อน

การวิจัยได้รับการตีพิมพ์ใน Nature Machine Intelligence

ความหลากหลายในชุดข้อมูลการฝึกอบรม

ผลการวิจัยแสดงให้เห็นว่าความหลากหลายในชุดข้อมูลการฝึกอบรมส่งผลต่อความสามารถของเครือข่ายประสาทเทียมในการเอาชนะความลำเอียง แต่ความหลากหลายของข้อมูลสามารถส่งผลเสียต่อประสิทธิภาพของเครือข่ายได้ นักวิจัยยังพบว่าวิธีการฝึกอบรมเครือข่ายประสาทเทียมสามารถส่งผลต่อความสามารถในการเอาชนะชุดข้อมูลที่มีความลำเอียง

Xavier Boix เป็นนักวิจัยในภาควิชาวิทยาศาสตร์สมองและวิทยาการรู้คิด (BCS) และศูนย์สมอง จิตใจ และเครื่องจักร (CBMM) เขาเป็นผู้เขียนอาวุโสของบทความ

“เครือข่ายประสาทเทียมสามารถเอาชนะความลำเอียงของชุดข้อมูล ซึ่งเป็นเรื่องที่น่าสนใจ แต่สิ่งสำคัญที่สุดคือเราต้องคำนึงถึงความหลากหลายของข้อมูล เราต้องหยุดคิดว่าการเก็บข้อมูลดิบจำนวนมหาศาลเพียงอย่างเดียวจะทำให้เราก้าวหน้า เราต้องระมัดระวังในการออกแบบชุดข้อมูลตั้งแต่แรก” Boix กล่าว

ทีมนักวิจัยใช้แนวทางของนักวิทยาศาสตร์สมองในการพัฒนาวิธีการใหม่ ตามที่ Boix กล่าว วิธีการทั่วไปในการใช้ชุดข้อมูลที่ควบคุมในการทดลอง ดังนั้นทีมจึงสร้างชุดข้อมูลที่มีภาพวัตถุต่างๆ ในมุมมองที่แตกต่างกัน จากนั้นพวกเขาก็ควบคุมการผสมผสานเพื่อให้ชุดข้อมูลบางชุดมีความหลากหลายมากกว่าชุดข้อมูลอื่นๆ ชุดข้อมูลที่มีภาพจำนวนมากแต่แสดงวัตถุจากมุมเดียวมีความหลากหลายน้อยกว่า ส่วนชุดข้อมูลที่มีภาพจำนวนมากแสดงวัตถุจากหลายมุมมีความหลากหลายมากกว่า

นักวิจัยใช้ชุดข้อมูลเหล่านี้ในการฝึกอบรมเครือข่ายประสาทเทียมสำหรับการจัดประเภทภาพ จากนั้นพวกเขาก็ศึกษาว่าเครือข่ายสามารถจดจำวัตถุจากมุมมองที่เครือข่ายไม่เคยเห็นระหว่างการฝึกได้ดีเพียงใด

พวกเขาพบว่าชุดข้อมูลที่มีความหลากหลายมากขึ้นช่วยให้เครือข่ายสามารถจดจำภาพหรือมุมมองใหม่ได้ดีขึ้น ซึ่งเป็นสิ่งสำคัญในการเอาชนะความลำเอียง

“แต่ไม่ใช่ว่าความหลากหลายของข้อมูลที่มากขึ้นจะดีกว่าเสมอไป มีความตึงเครียดที่นี่ เมื่อเครือข่ายประสาทเทียมสามารถจดจำสิ่งใหม่ได้ดีขึ้น สิ่งที่เคยเห็นมาก่อนจะยากต่อการรู้จำ” Boix กล่าว

วิธีการฝึกอบรมเครือข่ายประสาทเทียม

ทีมนักวิจัยยังพบว่าโมเดลที่ฝึกอบรมแยกสำหรับแต่ละงานมีความสามารถในการเอาชนะความลำเอียงมากกว่าโมเดลที่ฝึกอบรมสำหรับทั้งสองงานพร้อมกัน

“ผลลัพธ์จริงๆ แล้วน่าประหลาดใจมาก เมื่อเราทำการทดลองครั้งแรก เราคิดว่ามันเป็นข้อผิดพลาด ต้องใช้เวลาหลายสัปดาห์จึงจะรู้ว่ามันเป็นผลลัพธ์ที่แท้จริงเพราะมันไม่คาดคิด” Boix กล่าวต่อ

การวิเคราะห์ที่ลึกซึ้งยิ่งขึ้นพบว่าความเชี่ยวชาญของนิวรอนมีส่วนเกี่ยวข้องในกระบวนการนี้ เมื่อเครือข่ายประสาทเทียมได้รับการฝึกอบรมเพื่อรู้จำวัตถุในภาพ จะมีนิวรอนสองประเภทที่เกิดขึ้น นิวรอนหนึ่งเชี่ยวชาญในการรู้จำประเภทวัตถุ ในขณะที่นิวรอนอื่นเชี่ยวชาญในการรู้จำมุมมอง

นิวรอนที่เชี่ยวชาญจะเด่นชัดมากขึ้นเมื่อเครือข่ายประสาทเทียมได้รับการฝึกอบรมเพื่อทำงานแยกกัน แต่เมื่อเครือข่ายได้รับการฝึกอบรมเพื่อทำงานทั้งสองพร้อมกัน ความเชี่ยวชาญเฉพาะด้านของนิวรอนบางตัวจะลดลง ซึ่งหมายความว่าพวกมันไม่เชี่ยวชาญในงานใดงานหนึ่ง และมีแนวโน้มที่จะสับสน

“แต่คำถามต่อไปคือว่านิวรอนเหล่านี้มาจากไหน คุณฝึกอบรมเครือข่ายประสาทเทียมและพวกมันจะเกิดขึ้นจากกระบวนการเรียนรู้ ไม่มีใครบอกเครือข่ายให้เพิ่มนิวรอนเหล่านี้ในโครงสร้างของมัน สิ่งนี้น่าสนใจมาก” Boix กล่าว

นักวิจัยจะพยายามค้นหาคำตอบสำหรับคำถามนี้ในงานวิจัยในอนาคตรวมถึงการนำวิธีการใหม่นี้ไปใช้กับงานที่ซับซ้อนมากขึ้น