Глубокое обучение (DL) выполняет задачи классификации, используя ряд слоев. Для эффективного выполнения этих задач локальные решения принимаются постепенно на всех уровнях. Но можем ли мы принять всеобъемлющее решение, выбрав наиболее влиятельный путь к результату, вместо того, чтобы принимать эти решения локально?
В статье, опубликованной сегодня в журнале Scientific Reports, исследователи из Университета Бар-Илан в Израиле отвечают на этот вопрос громким «да». Существующие ранее глубокие архитектуры были улучшены путем обновления наиболее влиятельных путей к выходным данным.
«Можно думать об этом как о двух детях, которые хотят подняться на гору со множеством извилистых поворотов. Один из них выбирает самый быстрый местный маршрут на каждом перекрестке, в то время как другой использует бинокль, чтобы видеть весь путь впереди, и выбирает самый короткий и наиболее важный маршрут » . маршрут, точно так же, как Google Maps или Waze. Первый ребенок может получить преимущество , но второй в конечном итоге победит», — сказал профессор Идо Кантер из кафедры физики Бар-Илана и Многопрофильного центра исследования мозга Гонды (Гольдшмид). кто руководил исследованием.
«Это открытие может проложить путь к более эффективному обучению ИИ за счет выбора наиболее важного пути к вершине», — добавил Ярден Цах, доктор философии. Студент и один из ключевых участников этой работы.
Это исследование более глубокого понимания систем искусственного интеллекта, проводимое профессором Кантером и его экспериментальной исследовательской группой под руководством доктора Рони Варди, направлено на создание моста между биологическим миром и машинным обучением , тем самым создавая улучшенную, продвинутую систему искусственного интеллекта. На сегодняшний день они обнаружили доказательства эффективной дендритной адаптации с использованием нейрональных культур, а также способы реализации этих результатов в машинном обучении, показав, как поверхностные сети могут конкурировать с глубокими, и найдя механизм, лежащий в основе успешного глубокого обучения.
Улучшение существующих архитектур с использованием глобальных решений может проложить путь к усовершенствованному ИИ, который сможет улучшить свои задачи классификации без необходимости использования дополнительных уровней.
Теги: IT, ИИ
