I frattali di computer illimitati possono aiutare ad addestrare l'IA a vedere

Signora Tech | Spruzza

La maggior parte dei sistemi di riconoscimento delle immagini viene addestrata utilizzando database di grandi dimensioni che contengono milioni di foto di oggetti di uso quotidiano, dai serpenti ai frullati alle scarpe. Con l'esposizione ripetuta, le IA imparano a distinguere un tipo di oggetto da un altro. Ora i ricercatori in Giappone hanno dimostrato che le IA possono iniziare a imparare a riconoscere gli oggetti di tutti i giorni grazie alla formazione sui frattali generati dal computer invece.

È un'idea strana, ma potrebbe essere un grosso problema. Generazione automatica dei dati di allenamento è una tendenza entusiasmante nell'apprendimento automatico. E l'utilizzo di una scorta infinita di immagini sintetiche anziché di foto raschiate da Internet evita problemi con i set di dati artigianali esistenti.

Problemi di allenamento: Il pre-training è una fase in cui un'IA apprende alcune abilità di base prima di essere addestrata su dati più specializzati. I modelli preaddestrati consentono a più persone di utilizzare una potente IA. Invece di dover addestrare un modello da zero, possono adattarne uno esistente alle loro esigenze. Ad esempio, un sistema per la diagnosi di scansioni mediche potrebbe prima imparare a identificare le caratteristiche visive di base, come forma e contorno, essendo preaddestrato su un database di oggetti quotidiani, come ImageNet , che contiene oltre 14 milioni di foto. Quindi verrà messo a punto su un database più piccolo di immagini mediche fino a quando non riconoscerà sottili segni di malattia.

Storia correlata

L'IA deve affrontare il problema del lavoratore invisibile I modelli di apprendimento automatico sono formati da gig worker online a basso costo. Non se ne andranno, ma possiamo cambiare il loro modo di lavorare, afferma Saiph Savage.

Il problema è che l'assemblaggio manuale di un set di dati come ImageNet richiede molto tempo e fatica. Le immagini sono in genere etichettate da crowdworker a basso reddito . I set di dati potrebbero anche contenere sessista o etichette razziste che possono influenzare un modello in modi nascosti, così come immagini di persone che sono state incluse senza il loro consenso. Ci sono prove che questi pregiudizi possono insinuarsi anche in fase di preallenamento .

Forme naturali : I frattali possono essere trovati in tutto, da alberi e fiori a nuvole e onde. Ciò ha fatto sì che il team dell'Istituto nazionale giapponese di scienza e tecnologia industriale avanzata (AIST), del Tokyo Institute of Technology e della Tokyo Denki University si chiedesse se questi modelli potessero essere utilizzati per insegnare a un sistema automatizzato le basi del riconoscimento delle immagini, invece di utilizzare le foto di oggetti reali.

I ricercatori hanno creato FractalDB, un numero infinito di frattali generati dal computer. Alcuni sembrano foglie; altri sembrano fiocchi di neve o gusci di lumaca. A ogni gruppo di modelli simili è stata assegnata automaticamente un'etichetta. Hanno quindi utilizzato FractalDB per pre-addestrare una rete neurale convoluzionale, un tipo di modello di apprendimento profondo comunemente utilizzato nei sistemi di riconoscimento delle immagini, prima di completare la sua formazione con una serie di immagini reali. Hanno scoperto che funzionava quasi come i modelli addestrati su set di dati all'avanguardia, inclusi ImageNet e posti , che contiene 2,5 milioni di immagini di scene all'aperto.

Funziona? Anh Nguyen della Auburn University in Alabama, che non è stata coinvolta nello studio, non è convinta che FractalDB sia ancora all'altezza di artisti del calibro di ImageNet. Ha studiato come possono farlo i modelli astratti confondere i sistemi di riconoscimento delle immagini . C'è una connessione tra questo lavoro e gli esempi che ingannano le macchine, dice. Vorrebbe esplorare come funziona questo nuovo approccio in modo più dettagliato. Ma i ricercatori giapponesi pensano che con le modifiche al loro approccio, i set di dati generati dal computer come FractalDB potrebbero sostituire quelli esistenti.

Perché frattali: I ricercatori hanno anche provato ad addestrare la loro intelligenza artificiale utilizzando altre immagini astratte, comprese quelle prodotte utilizzando rumore Perlin , che crea motivi maculati e Curve di Bézier , un tipo di curva utilizzato nella computer grafica. Ma i frattali hanno dato i migliori risultati. La geometria frattale esiste nella conoscenza di base del mondo, afferma l'autore principale Hirokatsu Kataoka dell'AIST.

nascondere