Google-forskere har et nyt alternativ til traditionelle neurale netværk

Kategori: Kunstig intelligens Udsendt nov 01

Sig hej til kapselnetværket.

AI har haft enorm vækst i de seneste par år, og meget af den succes skyldes dybe neurale netværk, som giver smartene bag imponerende tricks som billedgenkendelse. Men der er voksende bekymring for, at nogle af de grundlæggende principper, der har gjort disse systemer så succesrige, måske ikke er i stand til at overvinde de store problemer, AI står over for - måske det største er et behov for enorme mængder data, som man kan lære af (for en dybt dyk på dette, tjek vores funktion ' Rider AI en One-Trick Pony?').

Googles Geoff Hinton ser ud til at være blandt dem, der bekymrer sig om AI's fremtid. Som Kablet rapporter , har Hinton afsløret et nyt bud på traditionelle neurale netværk, som han kalder kapselnetværk. I et par nye papirer - en offentliggjort på arXIv , den anden på OpenReview -Hinton og en håndfuld kolleger forklarer, hvordan de arbejder.

Deres tilgang bruger små grupper af neuroner, samlet kendt som kapsler, som er organiseret i lag for at identificere ting i video eller billeder. Når flere kapsler i ét lag er enige om at have opdaget noget, aktiverer de en kapsel på et højere niveau – og så videre, indtil netværket er i stand til at foretage en vurdering af, hvad det ser. Hver af disse kapsler er designet til at registrere en specifik funktion i et billede på en sådan måde, at den kan genkende dem i forskellige scenarier, f.eks. fra forskellige vinkler.

Hinton hævder, at tilgangen, som har været undervejs i årtier, skal gøre det muligt for hans netværk at genkende objekter i nye situationer med mindre data, end almindelige neurale net skal bruge.

I de hidtil offentliggjorte papirer har kapselnetværk vist sig at holde trit med almindelige neurale netværk, når det kommer til at identificere håndskrevne karakterer, og de laver færre fejl, når de forsøger at genkende tidligere observeret legetøj fra forskellige vinkler. Men for øjeblikket er de i det mindste stadig en smule langsommere end deres traditionelle modstykker.

Så kommer den interessante del. Vil disse systemer give et overbevisende alternativ til traditionelle neurale netværk, eller vil de gå i stå? Vi kan forvente, at maskinlæringssamfundet implementerer arbejdet, og det hurtigt, for at finde ud af det. Uanset hvad, kan de, der bekymrer sig om begrænsningerne ved de nuværende AI-systemer, blive opmuntrede af det faktum, at forskere flytter grænserne for at bygge nye dyb-læringsalternativer.