Google pētniekiem ir jauna alternatīva tradicionālajiem neironu tīkliem

Kategorija: Mākslīgais intelekts Ievietots 01. novembris

Sasveicinieties ar kapsulu tīklu.

AI pēdējos gados ir piedzīvojusi milzīgu izaugsmi, un liela daļa šo panākumu ir saistīta ar dziļiem neironu tīkliem, kas nodrošina tādu iespaidīgu triku kā attēlu atpazīšanu. Taču pieaug bažas par to, ka daži no pamatprincipiem, kas ir padarījuši šīs sistēmas tik veiksmīgas, var nespēt pārvarēt galvenās problēmas, ar kurām saskaras AI — iespējams, lielākā no tām ir vajadzība pēc milzīgiem datu daudzumiem, no kuriem mācīties (par Iedziļinieties šajā jautājumā, izpētiet mūsu funkciju 'Vai mākslīgais intelekts jāj ar viena trika poniju?').

Šķiet, ka Google pārstāvis Džefs Hintons ir viens no tiem, kas satraucas par AI nākotni. Kā Vadu ziņojumi , Hintons ir atklājis jaunu pieeju tradicionālajiem neironu tīkliem, kurus viņš sauc par kapsulas tīkliem. Pārī jaunos papīros — viens publicēts arXIv , otrs vietnē OpenReview —Hintons un daži kolēģi paskaidro, kā viņi strādā.

Viņu pieeja izmanto nelielas neironu grupas, kas kopā pazīstamas kā kapsulas, kas ir sakārtotas slāņos, lai identificētu lietas video vai attēlos. Kad vairākas kapsulas vienā slānī vienojas, ka ir kaut ko noteikušas, tās aktivizē kapsulu augstākā līmenī un tā tālāk, līdz tīkls spēj pieņemt spriedumu par to, ko tas redz. Katra no šīm kapsulām ir izstrādāta, lai noteiktu konkrētu attēla pazīmi tā, lai tā varētu to atpazīt dažādos scenārijos, piemēram, no dažādiem leņķiem.

Hintons apgalvo, ka pieejai, kas tiek izstrādāta gadu desmitiem, vajadzētu ļaut viņa tīkliem atpazīt objektus jaunās situācijās ar mazāku datu daudzumu, nekā ir jāizmanto parastajiem neironu tīkliem.

Līdz šim publicētajos dokumentos ir pierādīts, ka kapsulu tīkli neatpaliek no parastajiem neironu tīkliem, kad runa ir par ar roku rakstītu rakstzīmju identificēšanu, un tie pieļauj mazāk kļūdu, mēģinot atpazīt iepriekš novērotās rotaļlietas no dažādiem leņķiem. Bet vismaz pagaidām tie joprojām ir nedaudz lēnāki nekā viņu tradicionālie kolēģi.

Tagad nāk interesantā daļa. Vai šīs sistēmas nodrošinās pārliecinošu alternatīvu tradicionālajiem neironu tīkliem, vai arī tās apstāsies? Mēs varam sagaidīt, ka mašīnmācības kopiena veiks darbu un ātri, lai uzzinātu. Jebkurā gadījumā tos, kuri ir noraizējušies par pašreizējo AI sistēmu ierobežojumiem, var iepriecināt fakts, ka pētnieki virza robežas, lai izveidotu jaunas dziļas mācīšanās alternatīvas.