Badacze Google mają nową alternatywę dla tradycyjnych sieci neuronowych

Kategoria: Sztuczna inteligencja Opublikowany lis 01

Przywitaj się z siecią kapsuł.

Sztuczna inteligencja cieszyła się ogromnym wzrostem w ciągu ostatnich kilku lat, a wiele z tego sukcesu zawdzięczamy głębokim sieciom neuronowym, które zapewniają inteligentne sztuczki, takie jak rozpoznawanie obrazów. Istnieje jednak rosnąca obawa, że ​​niektóre z podstawowych zasad, które sprawiły, że te systemy są tak skuteczne, mogą nie być w stanie przezwyciężyć głównych problemów stojących przed sztuczną inteligencją — być może największym z nich jest zapotrzebowanie na ogromne ilości danych, z których można się uczyć (dla Zanurz się głęboko w tym temacie, zapoznaj się z naszą funkcją „Czy AI jedzie na kucyku jednego triku?”).

Geoff Hinton z Google wydaje się być jednym z tych, którzy martwią się przyszłością sztucznej inteligencji. Jak Przewodowy raporty , Hinton ujawnił nowe podejście do tradycyjnych sieci neuronowych, które nazywa sieciami kapsułowymi. W parze nowych gazet – jeden opublikowany na arXIv , inny na OpenReview — Hinton i garstka kolegów wyjaśniają, jak pracują.

Ich podejście wykorzystuje małe grupy neuronów, zwane zbiorczo kapsułami, które są zorganizowane w warstwy, aby identyfikować rzeczy na wideo lub obrazach. Kiedy kilka kapsuł w jednej warstwie zgadza się, że coś wykryło, aktywują kapsułę na wyższym poziomie — i tak dalej, aż sieć będzie w stanie ocenić, co widzi. Każda z tych kapsuł jest zaprojektowana tak, aby wykryć określoną cechę na obrazie w taki sposób, aby mogła ją rozpoznać w różnych sytuacjach, na przykład pod różnymi kątami.

Hinton twierdzi, że podejście, które jest opracowywane od dziesięcioleci, powinno umożliwić jego sieciom rozpoznawanie obiektów w nowych sytuacjach przy mniejszej ilości danych, niż muszą używać zwykłe sieci neuronowe.

W opublikowanych do tej pory artykułach wykazano, że sieci kapsuł nadążają za zwykłymi sieciami neuronowymi, jeśli chodzi o identyfikowanie odręcznych znaków, i popełniają mniej błędów, próbując rozpoznać wcześniej zaobserwowane zabawki pod różnymi kątami. Ale przynajmniej na razie wciąż są nieco wolniejsze niż ich tradycyjne odpowiedniki.

Teraz nadchodzi interesująca część. Czy te systemy będą atrakcyjną alternatywą dla tradycyjnych sieci neuronowych, czy też utkną w martwym punkcie? Możemy oczekiwać, że społeczność zajmująca się uczeniem maszynowym wdroży pracę i to szybko, aby się dowiedzieć. Tak czy inaczej, osoby zaniepokojone ograniczeniami obecnych systemów sztucznej inteligencji mogą być pokrzepione faktem, że naukowcy przesuwają granice, aby tworzyć nowe alternatywy uczenia głębokiego.