Hệ Thống Học Sâu Học Tốt Hơn Khi Bị Làm Phiền

Các nhà khoa học máy tính từ Hà Lan và Tây Ban Nha đã xác định cách một hệ thống học sâu học tốt hơn khi bị làm phiền. Trí tuệ nhân tạo (AI) này nhằm vào nhận dạng hình ảnh và có thể học cách nhận dạng môi trường xung quanh. Đội ngũ đã có thể đơn giản hóa quá trình học sau khi buộc hệ thống tập trung vào các đặc điểm thứ cấp.

Mạng Nơ-ron Lồi

Hệ thống học sâu dựa trên mạng nơ-ron lồi (CNNs), là một dạng học sâu cho các hệ thống AI.

Estefanía Talavera Martinez là một giảng viên và nhà nghiên cứu tại Viện Bernoulli về Toán học, Khoa học Máy tính và Trí tuệ Nhân tạo của Đại học Groningen ở Hà Lan.

‘Những CNNs này thành công, nhưng chúng tôi không hiểu hoàn toàn cách chúng hoạt động’, Talavera Martinez nói.

Talavera Martinez đã sử dụng CNNs để phân tích hình ảnh từ máy ảnh đeo được trong khi nghiên cứu hành vi con người. Một số công việc của cô đã tập trung vào việc nghiên cứu tương tác của con người với thực phẩm, vì vậy cô đã cố gắng tạo ra hệ thống nhận dạng các thiết lập khác nhau mà người ta gặp phải thực phẩm.

‘Tôi nhận thấy rằng hệ thống đã mắc lỗi trong việc phân loại một số hình ảnh và cần biết tại sao điều này xảy ra’, cô nói.

Cô đã sử dụng bản đồ nhiệt và phân tích các phần của hình ảnh được CNNs sử dụng để xác định thiết lập.

“Điều này đã dẫn đến giả thuyết rằng hệ thống không xem xét đủ chi tiết”, cô nói.

Một ví dụ được đưa ra là về một hệ thống AI đã tự dạy mình sử dụng các chiếc cốc để xác định một nhà bếp. Trong ví dụ này, AI có thể phân loại sai các khu vực như phòng khách và văn phòng, nơi cũng thường có cốc.

Talavera Martinez và đội ngũ của cô sau đó đã cố gắng phát triển một giải pháp. Đồng nghiệp của cô bao gồm David Morales và Beatriz Remeseiro, cả hai đều ở Tây Ban Nha. Giải pháp được đề xuất là làm cho hệ thống bị phân tâm khỏi các mục tiêu chính của nó.

Phát Triển Giải Pháp

Đội ngũ đã đào tạo CNNs với một tập hợp hình ảnh tiêu chuẩn của máy bay hoặc xe hơi, và họ đã xác định các phần của hình ảnh được sử dụng để phân loại thông qua bản đồ nhiệt. Những phần của hình ảnh sau đó đã được làm mờ trong tập hợp hình ảnh, và tập hợp hình ảnh đã được sử dụng cho một vòng đào tạo thứ hai.

“Điều này buộc hệ thống phải tìm kiếm các bộ nhận dạng khác. Và bằng cách sử dụng thông tin bổ sung này, nó trở nên tinh tế hơn trong việc phân loại”, Talavera Martinez nói.

Hệ thống mới này hoạt động tốt trong các tập hợp hình ảnh tiêu chuẩn và đã thành công trong hình ảnh thu thập từ máy ảnh đeo được.

“Chế độ đào tạo của chúng tôi mang lại kết quả tương tự như các phương pháp khác, nhưng nó đơn giản hơn và yêu cầu ít thời gian tính toán hơn”, cô nói.

Các nỗ lực trước đây để tăng phân loại tinh tế đã tập trung vào việc kết hợp các tập hợp khác nhau của CNNs, nhưng phương pháp mới được phát triển là nhẹ hơn nhiều.

“Nghiên cứu này đã giúp chúng tôi hiểu rõ hơn về cách những CNNs này học, và điều đó đã giúp chúng tôi cải thiện chương trình đào tạo”, Talavera Martinez nói.