Derin Öğrenme Sistemi Dikkat Dağıldığında Daha İyi Öğrenir

Hollanda ve İspanya’dan bilgisayar bilimcileri, derin öğrenme sisteminin dikkati dağıldığında nasıl daha iyi öğrendiğini belirledi. Yapay zeka (AI), görüntü tanıma için tasarlandı ve çevresini tanımayı öğrenebilir. Ekibin, sistemin ikincil özelliklerine odaklanmasını sağlayarak öğrenme sürecini basitleştirmeyi başardı.

Convolutional Neural Networks

Derin öğrenme sistemi, yapay zeka sistemleri için bir derin öğrenme biçimi olan convolutional neural networks (CNNs) üzerine dayanır.

Estefanía Talavera Martinez, Hollanda’daki Groningen Üniversitesi’nin Bernoulli Enstitüsü’nde matematik, bilgisayar bilimi ve yapay zeka konularında ders veren bir öğretim görevlisi ve araştırmacıdır.

“Bu CNN’ler başarılı, ancak tam olarak nasıl çalıştıklarını anlamıyoruz” diyor Talavera Martinez.

Talavera Martinez, insan davranışını incelemek için giyilebilir kameralardan alınan görüntüleri analiz etmek için CNN’leri kullanmıştır. Bazı çalışmaları, insanların gıda ile etkileşimlerini incelemek üzerine odaklanmıştır, bu nedenle sistemi insanların gıda ile karşılaştıkları farklı ortamları tanımaya çalışmıştır.

“Sistemin bazı resimlerin sınıflandırılmasında hatalar yaptığını fark ettim ve nedenini öğrenmek istedim” dedi.

Isı haritaları kullanarak, CNN’lerin resimlerin hangi kısımlarını kullanarak ortamı tanımladığını analiz etti.

“Bu, sistemin yeterli ayrıntılara bakmadığına ilişkin bir hipotez oluşturdu” dedi.

Verilen bir örnek, bir AI sisteminin mutfakları tanımlamak için fincanları kullandığıydı. Bu örnekte, AI, mutfakta olmayan alanları, ofisleri ve oturma odalarını yanlış olarak sınıflandırabilirdi.

Talavera Martinez ve ekibi, bir çözüm geliştirmek için çalışmaya başladı. Ekibindeki diğer üyeler, İspanya’dan David Morales ve Beatriz Remeseiro idi. Önerilen çözüm, sistemin ana hedeflerinden dikkatini dağıtmaktı.

Çözümün Geliştirilmesi

Ekibin, CNN’leri standard bir resim kümesiyle eğittiği ve ısı haritaları kullanarak resimlerin hangi kısımlarının sınıflandırma için kullanıldığını belirlediği bir çalışma yaptı. Bu resim kısımları daha sonra bulanıklaştırıldı ve ikinci bir eğitim turu için kullanıldı.

“Bu, sistemin başka yerlerde tanımlayıcılar aramasına neden olur. Ve bu ek bilgiyi kullanarak, daha ince bir sınıflandırma yapar” dedi Talavera Martinez.

Yeni sistem, standard resim kümelerinde iyi çalıştı ve giyilebilir kameralardan alınan resimlerde de başarılı oldu.

“Eğitim rejimimiz, diğer yaklaşımlarla benzer sonuçlar verir, ancak çok daha basit ve daha az hesaplama zamanı gerektirir” dedi.

İnce sınıflandırmanın artırılması için önceki girişimler, farklı CNN kümelerinin birleştirilmesine odaklanmıştır, ancak yeni geliştirilen yaklaşım çok daha hafif.

“Bu çalışma, bu CNN’lerin nasıl öğrendiğini daha iyi anlamamızı sağladı ve bu, eğitim programını iyileştirmemize yardımcı oldu” dedi Talavera Martinez.