„Tekutý“ systém strojového učení se přizpůsobuje proměnlivým podmínkám

Vědeckému týmu z Massachusettského technologického institutu (MIT) se podařilo vyvinout typ neuronové sítě, která se učí za pochodu, nejen během prvotní fáze. Tyto flexibilní algoritmy, přezdívané „tekuté“ sítě, mění své výchozí rovnice pro nepřetržitou adaptaci novým vstupním datům.

„Tento přístup je zásadní pro budoucnost ovládání robotů, přirozené zpracování jazyka a zpracování videa – v podstatě jakékoliv formy věcně a prostorově srovnatelných pozorování dat,“ uvedl hlavní autor studie Ramin Hasani. „Potenciál je skutečně velmi významný.“ Hasani navrhl neuronovou síť schopnou adaptace na proměnlivost systémů reálného světa. Neuronové sítě jsou algoritmy, které rozpoznávají vzorce analýzou sady zkušebních příkladů.

Hasani se při kódování své neuronové sítě nechal inspirovat způsoben aktivace a vzájemné komunikace neuronů haďátek obecných (haďátko je významným modelovým organismem, který se používá zejména v molekulární a vývojové biologii) prostřednictvím elektrických impulzů. Ve svých rovnicích umožnil proměnlivost parametrů na základě výsledků vnořené sady různorodých rovnic. Tato flexibilita je klíčová, jelikož chování většiny neuronových sítí po skončení zkušební fáze je neměnné, což znamená, že mají potíže přizpůsobit se změnám vstupních dat.

Celý článek na MIT

Image Credit: Jose-Luis Olivares

-jk-