„Tekutý“ systém strojového učení se přizpůsobuje měnícím se podmínkám

Nový typ neuronové sítě může pomoci při rozhodování o samosprávě a lékařské diagnostice.

S: Vědci vyvinuli jakousi neuronovou síť, která se učí v práci, nejen ve fázi tréninku. Tyto flexibilní algoritmy, nazývané „kapalné“ sítě, mění základní rovnice tak, aby se neustále přizpůsobovaly novým datovým vstupům. Záloha vám může pomoci při rozhodování na základě toků dat, které se časem mění, včetně těch, které se účastní lékařské diagnostiky a samosprávy.

„Toto je způsob řízení robotů, vývoje přirozeného jazyka, zpracování videa v budoucnosti. „Jakákoli forma zpracování časových řad,“ uvedl Ramin Hasani, hlavní autor studie. „Potenciál je opravdu značný.“

Studie bude představena na únorové konferenci AAAI o umělé inteligenci. Kromě Hassana spoluautory MIT Daniely Russ, ředitelky CSAIL համ Andrew և Erna Viterb և profesor elektrotechniky Ալեքս Computer Science, postgraduální PhD v MIT, spoluautory MIT. Mezi další spoluautory patří Matthias Lechner z Rakouského institutu vědy a technologie a Radu Grosso z Vídeňské technické univerzity.

Podle Hasana jsou údaje o časových řadách „všude“ zásadní pro pochopení světa. „Skutečný svět je celá série. Dokonce i naše vnímání. „Nevnímáte obrazy, vnímáte sekvence obrazů,“ říká. „Takže data časových řad vlastně vytvářejí naši realitu.“

Jako příklady klíčových časových řad pro společnost uvádí vývoj videa, finanční údaje a lékařskou diagnostiku. Účinky těchto neustále se měnících datových toků mohou být nepředvídatelné. Analýza těchto dat v reálném čase օգտագործ jejich použití k předpovědi budoucího chování však může stimulovat vývoj nově vznikajících technologií, jako jsou automobily s vlastním pohonem. Hassan tedy vytvořil algoritmus vhodný pro tento úkol.

Hassan navrhl neuronovou síť, která by se dokázala přizpůsobit variabilitě skutečných systémů. Neuronové sítě jsou algoritmy, které rozpoznávají vzorce na základě analýzy řady „cvičných“ příkladů. Říká se, že často kopírují způsoby vývoje mozku. Hassan byl inspirován mikroskopickým nematodem, C. elegantní„Má pouze 302 neuronů v nervovém systému,“ říká, „ale může způsobit nečekaně složitou dynamiku.“

Hassan zakódoval svou neurální síť a věnoval zvláštní pozornost tomu, jak C. elegantní jsou aktivovány neurony – vzájemně komunikují prostřednictvím elektrických signálů. V rovnicích, které použil k vytvoření své neuronové sítě, umožnil, aby se parametry v průběhu času měnily na základě výsledků řady diferenciálních rovnic.

Tato flexibilita je klíčová. Chování většiny neuronových sítí je po fázi tréninku pevné, což znamená, že jsou špatně přizpůsobeny změnám v toku vstupních dat. Hasani říká, že díky plynulosti jeho „kapalné“ sítě je odolnější vůči neočekávaným nebo hlučným datům, jako je to v případě, že silný déšť „zakrývá vzhled kamery na autě s vlastním pohonem.“ „Takže je to silnější,“ říká.

Dodává, že existuje další výhoda flexibility díry. „Je to interpretovatelnější.“

Hasani říká, že jeho fluidní síť obklopuje obvyklou neviditelnost ostatních neuronových sítí. „Pouhou změnou zastoupení neuronu,“ což Hassan provedl pomocí diferenciálních rovnic, „můžete skutečně studovat určitou míru složitosti, kterou byste jinak studovat nemohli.“ Vzhledem k malému počtu expresivních neuronů Hasani je snazší pochopit „černou skříňku“ síťového rozhodování և a diagnostikovat, proč síť učinila určitý popis.

„Samotný model je z hlediska expresivity bohatší,“ říká Hassani. To může pomoci inženýrům pochopit և zlepšit výkon kapalné sítě.

Síť Hasani překonala testovací baterii. To přineslo několik procentních bodů moderních algoritmů časových řad k přesné předpovědi budoucích hodnot v databázích, od atmosférické chemie po vzorce trajektorie. „U mnoha programů vidíme, že výkon je spolehlivě vysoký,“ řekl. Malá velikost sítě navíc znamenala, že testy dokončila bez drastických výpočetních nákladů. „Všichni mluví o rozšiřování své sítě,“ říká Hasani. „Chceme škálovat, abychom měli méně, ale bohatších uzlů.“

Hasan plánuje pokračovat ve zlepšování systému připraveného k průmyslovému použití. „Máme mnohem expresivnější neurální síť, která je inspirována přírodou. „Ale to je jen začátek procesu,“ řekl. „Zjevná otázka je, jak to prodloužíš?“ Věříme, že tento typ sítě může být klíčovým prvkem dalších zpravodajských systémů. “

Odkaz. „Sustainable Liquid Time Networks“ od Ramin Hassan, Matthias Lechner, Alexander Amin, Daniela Rus և Radu Grosso, 14. prosince 2020 Výpočetní technika> Strojové učení,
arXiv: 2006.04439v4:

Tento výzkum byl částečně financován systémy Boeing, National Science Foundation a Austrian Science Foundation և Electronic Components of European Leadership և systems.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Naneste na krém Deep Heat

Podle Experimentální biologie 6. května 2021 Studie odhalila zvýšení aerobního výkonu u sportovců, kteří používali krém s hlubokým teplem bez lékařského předpisu. Hluboké tepelné krémy, které sportovci...

Skladování obnovitelné energie v kamenech místo lithiových baterií

V případě přebytku elektřiny z větru nebo slunce se energetická rezerva nabije. To se děje prostřednictvím systému kompresorů a turbín, které čerpají tepelnou...

Byly vyvinuty ploché nudle, které se při vaření transformují do tvaru

CMU Lab vede vývoj nudlí, které se při vaření transformují do tvaru. Fotografický kredit: Carnegie Mellon University Ploché nudle zajišťují udržitelnější balení, přepravu a...

Houby mohou léčit bakterie a obohatit půdu o živiny

Aeroskulární mykorhizní houby se rozprostírají přes dlouhé vláknité struktury zvané krásně až k zemi. Krásy, menší než lidské vlasy, lze vidět mezi kořeny...

Světlo zapíná barvy a vzory objektů

Nový systém využívá ultrafialové světlo, které se promítá na objekty natřené barvou aktivující světlo, ke změně reflexních vlastností barvy a vytváření obrazů během několika...

Newsletter

Subscribe to stay updated.