211service.com
Ubegrensede datafraktaler kan hjelpe med å trene AI til å se
Ms Tech | Unsplash
De fleste bildegjenkjenningssystemer trenes ved hjelp av store databaser som inneholder millioner av bilder av hverdagslige gjenstander, fra slanger til shakes til sko. Med gjentatt eksponering lærer AI-er å skille en type objekt fra en annen. Nå har forskere i Japan vist at kunstig intelligens kan begynne å lære å gjenkjenne hverdagslige gjenstander ved å bli trent på datagenererte fraktaler i stedet.
Det er en merkelig idé, men det kan være en stor sak. Genererer treningsdata automatisk er en spennende trend innen maskinlæring. Og å bruke en endeløs tilførsel av syntetiske bilder i stedet for bilder skrapet fra internett unngår problemer med eksisterende håndlagde datasett.
Treningsproblemer: Foropplæring er en fase der en AI lærer noen grunnleggende ferdigheter før de trenes på mer spesialiserte data. Forhåndsutdannede modeller lar flere mennesker bruke kraftig AI. I stedet for å trene en modell fra bunnen av, kan de tilpasse en eksisterende til deres behov. For eksempel kan et system for diagnostisering av medisinske skanninger først lære å identifisere grunnleggende visuelle funksjoner, som form og kontur, ved å bli forhåndstrenet på en database med hverdagslige gjenstander – som f.eks. ImageNet , som inneholder mer enn 14 millioner bilder. Deretter vil den bli finjustert på en mindre database med medisinske bilder til den gjenkjenner subtile tegn på sykdom.
Relatert historie
AI må møte problemet med usynlige arbeidere Maskinlæringsmodeller er opplært av lavtlønnede online spillejobber. De forsvinner ikke – men vi kan endre måten de jobber på, sier Saiph Savage.Problemet er at det tar mye tid og krefter å sette sammen et datasett som ImageNet for hånd. Bildene er vanligvis merket med lavtlønnede crowdworkers . Datasett kan også inneholde kjønnsdiskriminerende eller rasistiske merkelapper som kan påvirke en modell på skjulte måter, samt bilder av personer som har blitt inkludert uten deres samtykke. Det er bevis på at disse skjevhetene kan snike seg inn selv i fortrening .
Naturlige former : Fraktaler finnes i alt fra trær og blomster til skyer og bølger. Dette fikk teamet ved Japans nasjonale institutt for avansert industrivitenskap og teknologi (AIST), Tokyo Institute of Technology og Tokyo Denki University til å lure på om disse mønstrene kunne brukes til å lære et automatisert system det grunnleggende om bildegjenkjenning, i stedet for å bruke bilder av virkelige gjenstander.
Forskerne skapte FractalDB, et uendelig antall datagenererte fraktaler. Noen ser ut som blader; andre ser ut som snøfnugg eller sneglehus. Hver gruppe med lignende mønstre fikk automatisk en etikett. De brukte deretter FractalDB for å forhåndstrene et konvolusjonelt nevralt nettverk, en type dyplæringsmodell som vanligvis brukes i bildegjenkjenningssystemer, før de fullførte opplæringen med et sett med faktiske bilder. De fant ut at den presterte nesten like bra som modeller som er trent på toppmoderne datasett, inkludert ImageNet og Steder , som inneholder 2,5 millioner bilder av utendørsscener.
Virker det? Anh Nguyen ved Auburn University i Alabama, som ikke var involvert i studien, er ikke overbevist om at FractalDB ennå er en match for slike som ImageNet. Han har studert hvordan abstrakte mønstre kan forvirre bildegjenkjenningssystemer . Det er en sammenheng mellom dette arbeidet og eksempler som lurer maskiner, sier han. Han vil gjerne utforske hvordan denne nye tilnærmingen fungerer mer detaljert. Men de japanske forskerne tror at med justeringer av tilnærmingen deres, kan datagenererte datasett som FractalDB erstatte eksisterende.
Hvorfor fraktaler: Forskerne prøvde også å trene opp AI ved å bruke andre abstrakte bilder, inkludert bilder produsert ved hjelp av Perlin-støy , som skaper flekkete mønstre, og Bezier-kurver , en type kurve som brukes i datagrafikk. Men fraktaler ga de beste resultatene. Fraktal geometri eksisterer i bakgrunnskunnskapen om verden, sier hovedforfatter Hirokatsu Kataoka ved AIST.