Un algoritmo di intelligenza artificiale ispirato al modo in cui i bambini imparano è più difficile da confondere

Categoria: Intelligenza artificiale Inserito 06 maggio

Informazioni manichetta antincendio: La pratica standard per insegnare un algoritmo di apprendimento automatico è fornire tutti i dettagli in una volta. Supponiamo che tu stia costruendo un sistema di classificazione delle immagini per riconoscere diverse specie di animali. Gli mostri esempi di ogni specie e li etichetti di conseguenza: pastore tedesco e barboncino per cani, per esempio.

Ma quando un genitore insegna a un bambino, l'approccio è completamente diverso. Iniziano con etichette molto più ampie: qualsiasi specie di cane all'inizio è semplicemente un cane. Solo dopo che il bambino ha imparato a distinguere queste categorie più semplici, il genitore scompone ciascuna in più specifiche.

Confusione dissipata: Traendo ispirazione da questo approccio, i ricercatori della Carnegie Mellon University hanno creato una nuova tecnica che insegna a una rete neurale a classificare le cose in più fasi. In ogni fase, la rete vede gli stessi dati di addestramento. Ma le etichette iniziano in modo semplice e ampio, diventando più specifiche nel tempo.

Per determinare questa progressione di difficoltà, i ricercatori hanno prima mostrato alla rete neurale i dati di allenamento con le etichette dettagliate finali. Hanno quindi calcolato quella che è nota come matrice di confusione, che mostra le categorie che il modello ha avuto più difficoltà a distinguere. I ricercatori lo hanno utilizzato per determinare le fasi della formazione, raggruppando le categorie meno distinguibili sotto un'etichetta nelle fasi iniziali e suddividendole in etichette più fini ad ogni iterazione.

Migliore precisione: Nei test con diversi set di dati di classificazione delle immagini popolari, l'approccio ha quasi sempre portato a un modello di apprendimento automatico finale che ha superato quello addestrato con il metodo convenzionale. Nel migliore dei casi, ha aumentato la precisione della classificazione fino al 7%.

Apprendimento del curriculum: Sebbene l'approccio sia nuovo, l'idea alla base non lo è. La pratica di addestrare una rete neurale su stadi crescenti di difficoltà è nota come apprendimento del curriculum ed è in circolazione dagli anni '90. Ma i precedenti sforzi di apprendimento del curriculum si sono concentrati sul mostrare alla rete neurale un diverso sottoinsieme di dati in ogni fase, piuttosto che gli stessi dati con etichette diverse. L'ultimo approccio è stato presentata della coautrice dell'articolo Otilia Stretcu alla Conferenza internazionale delle rappresentazioni dell'apprendimento la scorsa settimana.

Perchè importa: La stragrande maggioranza della ricerca sul deep learning oggi enfatizza la dimensione dei modelli: se un sistema di classificazione delle immagini ha difficoltà a distinguere tra oggetti diversi, significa che non è stato addestrato su esempi sufficienti. Ma prendendo in prestito informazioni dal modo in cui gli esseri umani imparano, i ricercatori hanno trovato un nuovo metodo che ha permesso loro di ottenere risultati migliori con esattamente gli stessi dati di allenamento. Suggerisce un modo per creare algoritmi di apprendimento più efficienti in termini di dati.