Računalniški znanstveniki želijo robote pozabiti na slabe podatke

Ko »slabi« podatki pridejo v sistem strojnega učenja - to je Alan Greenspan, ko razpravlja o računalniških modelih, ki niso mogli napovedati recesije v letu 2008 - je te informacije težko odstraniti. Toda nov koncept, ki so ga predlagali računalniški znanstveniki Junfeng Yang in Yinzhi Cao z Univerze Columbia in Univerze Lehigh, prinaša zamisel o učenju računalnikov. Ker Cao in Yang pišeta v povzetku, objavljenem za konferenco IEEE Xplore 2015, vam ni treba iti do konca, da bi pozabili:

Da bi pozabili vzorec podatkov o vadbi, naš pristop preprosto posodobi majhno število seštevkov - asimptotično hitreje kot prekvalifikacija iz nič. Naš pristop je splošen, saj je oblika seštevanja iz statističnega učenja poizvedb, v katerem se lahko izvajajo številni algoritmi strojnega učenja. Naš pristop velja tudi za vse faze strojnega učenja, vključno z izbiro in modeliranjem funkcij. Naše vrednotenje, na štirih različnih učnih sistemih in dejanskih delovnih obremenitvah, kaže, da je naš pristop splošen, učinkovit, hiter in enostaven za uporabo.

Koncept strojnega učenja temelji na temeljih, ki so zgrajeni iz gomil in gomil informacij. To je lahko koristno, če naučimo robote ali umetne inteligence, da vzpostavijo določene povezave - na primer, če posameznik v težkem plašču uporablja sekiro, je lahko gasilec. Toda na teh usposabljanjih lahko pride do napačnih povezav, ki temeljijo na nizu podatkov. Vaš robot bi lahko pomislil, da imajo vsi gasilci brade. To je očitno nekaj, do česar bi moral imeti računalnik Razmislite.

Cao in Yang bazirata to idejo robotiziranega informacijskega ločevanja na konceptu podatkovne linije - podatki ne izvirajo popolnoma v svet, vendar ima zgodovino sledljivosti, ko se neobdelani podatki obdelujejo. Kurzweil A.I. Izkoriščanje te linije omogoča strojem, da se izločijo izbrane dele podatkov, ne da bi popolnoma izbrisali svoje izobraževanje.