Google-forskere har et nytt alternativ til tradisjonelle nevrale nettverk

Kategori: Kunstig intelligens Lagt ut 01 nov

Si hei til kapselnettverket.

AI har hatt enorm vekst de siste årene, og mye av suksessen skyldes dype nevrale nettverk, som gir smartene bak imponerende triks som bildegjenkjenning. Men det er økende bekymring for at noen av de grunnleggende prinsippene som har gjort disse systemene så vellykkede kanskje ikke er i stand til å overvinne de store problemene AI står overfor – kanskje det største er behovet for enorme mengder data å lære av (for en dypdykk på dette, sjekk ut funksjonen vår 'Er AI Riding a One-Trick Pony?').

Googles Geoff Hinton ser ut til å være blant dem som bekymrer seg over AIs fremtid. Som Kablet rapporter , har Hinton avduket en ny versjon av tradisjonelle nevrale nettverk som han kaller kapselnettverk. I et par nye papirer – en publisert på arXIv , den andre på OpenReview —Hinton og en håndfull kolleger forklarer hvordan de jobber.

Tilnærmingen deres bruker små grupper av nevroner, samlet kjent som kapsler, som er organisert i lag for å identifisere ting i video eller bilder. Når flere kapsler i ett lag er enige om å ha oppdaget noe, aktiverer de en kapsel på et høyere nivå – og så videre, helt til nettverket er i stand til å avgjøre hva det ser. Hver av disse kapslene er designet for å oppdage en spesifikk funksjon i et bilde på en slik måte at den kan gjenkjenne dem i forskjellige scenarier, for eksempel fra forskjellige vinkler.

Hinton hevder at tilnærmingen, som har vært under utvikling i flere tiår, skal gjøre nettverkene hans i stand til å gjenkjenne objekter i nye situasjoner med mindre data enn vanlige nevrale nett må bruke.

I avisene som er publisert så langt, har kapselnettverk vist seg å holde tritt med vanlige nevrale nettverk når det gjelder å identifisere håndskrevne karakterer, og de gjør færre feil når de prøver å gjenkjenne tidligere observerte leker fra forskjellige vinkler. Men for øyeblikket, i det minste, er de fortsatt litt tregere enn sine tradisjonelle kolleger.

Nå kommer den interessante delen. Vil disse systemene gi et overbevisende alternativ til tradisjonelle nevrale nettverk, eller vil de stoppe opp? Vi kan forvente at maskinlæringsmiljøet implementerer arbeidet, og raskt, for å finne ut av det. Uansett kan de som er bekymret for begrensningene til dagens AI-systemer bli oppmuntret av det faktum at forskere flytter grensene for å bygge nye dyplæringsalternativer.