Дослідники представили альтернативу традиційним нейронним мережам


Дізнайтесь більше про нові кар'єрні можливості в EchoUA. Цікаві проекти, ринкова оплата, гарний колектив. Надсилайте резюме та приєднуйтеся до нас.

За останні декілька років штучний інтелект набув величезного попиту, в тому числі завдяки розвитку нейронних мереж. ШІ здатний на такі вражаючі трюки, як розпізнавання зображень. Проте посилюється стурбованість з приводу того, що деякі з основних принципів, які зробили ці системи такими успішними, можуть не впоратися із серйозними проблемами, поставленими перед ШІ. Можливо, найбільшою з них є потреба у величезних кількостях даних для навчання.

Схоже, що Джеффрі Хінтон, дослідник Google, відноситься до тих, хто схвильований через цю проблему. Wired повідомляє, що він представив новий підхід до традиційних нейромереж, який називав “капсульні мережі”. У декількох статтях, опублікованих на arXlv і OpenReview, Хінтон і його колеги пояснюють принцип їх роботи.

Що за капсульні мережі?

У цьому підході використовуються невеликі групи нейронів, які називаються “капсулами”. Капсули, у свою чергу, складають шари для ідентифікації об’єктів на відео або зображеннях. Коли декілька капсул в одному шарі приймають однакове рішення, вони активують іншу капсулу, що знаходиться на вищому рівні. Цей процес триває до того часу, поки мережа не зможе дійти висновку про те, що вона бачить. Кожна з цих капсул створена таким чином, що вона виявляє в зображенні певну ознаку і розпізнає її в різних сценаріях. Наприклад, під різним кутом.

Хінтон стверджує, що завдяки цьому підходу його мережам знадобиться менше даних для розпізнавання об’єктів у нових ситуаціях. В опублікованих звітах видно, що капсульні мережі не відстають від звичайних, коли справа доходить до ідентифікації рукописних символів. Також вони роблять менше помилок при спробі розпізнати раніше побачені іграшки під різними кутами. Іншими словами, Хінтон опублікував результати, тому що капсульні мережі не менш точні, ніж звичайні, хоча вони і повільніше.

Чи зможуть такі системи стати альтернативою традиційним нейронним мережам, або вони зупиняться в розвитку? Зараз про це судити складно, але можна чекати на те, що прихильники машинного навчання реалізують цей підхід на практиці і знайдуть відповідь на це запитання. У будь-якому випадку, тих, хто стурбований обмеженнями нинішніх систем ШІ, може надихнути той факт, що дослідники шукають альтернативні шляхи глибокого навчання.

Джерело: MIT Technology

Київ, Харків, Одеса, Дніпро, Запоріжжя, Кривий Ріг, Вінниця, Херсон, Черкаси, Житомир, Хмельницький, Чернівці, Рівне, Івано-Франківськ, Кременчук, Тернопіль, Луцьк, Ужгород, Кам'янець-Подільський, Стрий - за статистикою саме з цих міст програмісти найбільше переїжджають працювати до Львова. А Ви розглядаєте relocate?


Залишити відповідь

Ваша e-mail адреса не оприлюднюватиметься. Обов’язкові поля позначені *