Cercetatorii au imbunatatit invatarea profunda selectand cea mai eficienta cale generala catre rezultat, ceea ce duce la o IA mai eficienta, fara straturi adaugate.
La fel ca urcarea unui munte pe calea cea mai scurta posibila, imbunatatirea sarcinilor de clasificare poate fi realizata prin alegerea caii cele mai influente catre rezultat, si nu doar prin invatarea cu retele mai profunde.
Deep Learning (DL) realizeaza sarcini de clasificare folosind o serie de straturi. Pentru a executa eficient aceste sarcini, deciziile locale sunt efectuate progresiv de-a lungul straturilor. Dar putem realiza o decizie atotcuprinzatoare, alegand calea cea mai influenta catre rezultat, mai degraba decat efectuand aceste decizii la nivel local?
Intr-un articol publicat astazi (31 august) in revista Scientific Reports , cercetatorii de la Universitatea Bar-Ilan din Israel raspund la aceasta intrebare cu un rasunator „da”. Arhitecturile profunde preexistente au fost imbunatatite prin actualizarea celor mai influente cai catre rezultat.
Analogie si implicatii
„Se poate gandi la ea ca la doi copii care doresc sa urce un munte cu multe intorsaturi. Unul dintre ei alege cea mai rapida ruta locala la fiecare intersectie, in timp ce celalalt foloseste un binoclu pentru a vedea intregul traseu din fata si alege cel mai scurt si mai important traseu, la fel ca Google Maps sau Waze. Primul copil ar putea avea un avans, dar al doilea va sfarsi prin a castiga”, a spus prof. Ido Kanter, de la Departamentul de Fizica din Bar-Ilan si Centrul multidisciplinar de cercetare a creierului Gonda (Goldschmied), care a condus cercetarea.
„Aceasta descoperire poate deschide calea pentru o invatare AI imbunatatita, prin alegerea celei mai semnificative rute catre varf”, a adaugat Yarden Tzach, doctorand si unul dintre contribuitorii cheie la aceasta lucrare.
Legatura dintre biologie si invatarea automata
Aceasta explorare a unei intelegeri mai profunde a sistemelor AI de catre profesorul Kanter si echipa sa de cercetare experimentala, condusa de dr. Roni Vardi, isi propune sa creeze o punte intre lumea biologica si invatarea automata, creand astfel un sistem AI imbunatatit si avansat. Pana in prezent, au descoperit dovezi pentru adaptarea dendritica eficienta folosind culturi neuronale, precum si modul de implementare a acestor constatari in invatarea automata, aratand modul in care retelele superficiale pot concura cu cele profunde si gasirea mecanismului care sta la baza invatarii profunde de succes.
Imbunatatirea arhitecturilor existente folosind decizii globale poate deschide calea pentru o IA imbunatatita, care isi poate imbunatati sarcinile de clasificare fara a fi nevoie de straturi suplimentare.
