Глибокий навчальний систем дізнається краще, коли відволікається

Комп’ютерні вчені з Нідерландів та Іспанії визначили, як глибокий навчальний систем дізнається краще, коли відволікається. Штучний інтелект (AI) призначений для розпізнавання зображень і може навчатися розпізнавати свої оточення. Команда спромоглася спростити процес навчання після того, як змусила систему зосередитися на вторинних характеристиках.

Конвольюційні нейронні мережі

Глибокий навчальний систем використовує конвольюційні нейронні мережі (CNN), які є формою глибокого навчання для систем штучного інтелекту.

Естефанія Талавера Мартінес – лектор і дослідник Інституту Бернуллі з математики, комп’ютерних наук та штучного інтелекту Університету Гронінгена в Нідерландах.

“Ці CNN успішні, але ми не повністю розуміємо, як вони працюють”, – каже Талавера Мартінес.

Талавера Мартінес використовувала CNN для аналізу зображень, отриманих з носимих камер, вивчаючи поведінку людини. Деяка її робота була пов’язана з вивченням взаємодії людини з їжею, тому вона вирішила зробити систему, яка розпізнає різні умови, в яких люди зустрічаються з їжею.

“Я помітила, що система робила помилки в класифікації деяких зображень і потрібно було знати, чому це відбувається”, – сказала вона.

Вона використала теплові карти і проаналізувала, які частини зображень використовувалися CNN для визначення умови.

“Це привело до гіпотези, що система не розглядала достатньо деталей”, – сказала вона.

Одним з прикладів було штучний інтелект, який навчився використовувати кавові чашки для визначення кухні. У цьому прикладі штучний інтелект міг неправильно класифікувати області, такі як вітальні та офіси, які також часто мають кавові чашки.

Талавера Мартінес і її команда потім вирішили розробити рішення. Її колегами були Девід Моралес і Беатріс Ремесейро, обидва з Іспанії. Запропоноване рішення полягало в тому, щоб відволікти систему від її основних цілей.

Розробка рішення

Команда навчала CNN з стандартним набором зображень літаків або автомобілів і визначала, які частини зображень використовувалися для класифікації за допомогою теплових карт. Ці частини зображень потім були розмиті в наборі зображень, і набір зображень був використаний для другого раунду навчання.

“Це змушує систему шукати ідентифікатори в інших місцях. І, використовуючи цю додаткову інформацію, вона стає більш деталізованою в своїй класифікації”, – сказала Талавера Мартінес.

Нова система добре працювала в стандартних наборах зображень і була успішною в зображеннях, отриманих з носимих камер.

“Наш режим навчання дає нам результати, подібні до інших підходів, але він значно простіший і вимагає менше обчислювального часу”, – каже вона.

Раніші спроби збільшити деталізовану класифікацію були зосереджені на комбінації різних наборів CNN, але новий підхід значно легший.

“Цей дослідження дав нам краще розуміння того, як ці CNN вчаться, і це допомогло нам поліпшити програму навчання”, – сказала Талавера Мартінес.