Дослідники представили альтернативу традиційним нейронним мережам


За останні декілька років штучний інтелект став мати величезний попит, у тому числі завдяки розвитку нейронних мереж. Саме завдяки ним ШІ здатний на такі вражаючі трюки, як розпізнавання зображень. Проте росте стурбованість з приводу того, що деякі з основних принципів, що зробили ці системи такими успішними, можуть не впоратися з серйозними проблемами, які стоять перед ШІ. Можливо, найбільшою з них є потреба у величезних кількостях даних для навчання.

Схоже, що Джеффри Хинтон, дослідник Google, відноситься до тих, хто схвильований цією проблемою. Wired повідомляє, що він представив новий підхід до традиційних нейромереж, який він називає капсульними мережами. У декількох статтях, опублікованих на arXlv і OpenReview, Хинтон 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 більш високому рівні. Цей процес триває до тих пір, поки мережа не зможе зробити висновок 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.

Хинтон стверджує, що завдяки цьому підходу його мережам знадобиться менше даних для розпізнавання об’єктів в нових ситуаціях. У 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, Хинтон опублікував результати, тому що капсульні мережі не менш точні, чим звичайні – хоча доки 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, що любителі машинного навчання реалізують цей підхід на практиці і знайдуть відповідь на це питання. 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

Залишити відповідь

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