Лучшие пути дают лучшее ИИ: улучшение ранее существовавших архитектур

Кредит: Университет Бар-Илан

Глубокое обучение (DL) выполняет задачи классификации с использованием ряда слоев.Чтобы эффективно выполнять эти задачи, локальные решения принимаются постепенно вдоль слоев.Но можем ли мы выполнить всеобъемлющее решение, выбрав наиболее влиятельный путь к выводу, а не выполняя эти решения локально?

В статье, опубликованной сегодня в Scientific Reports, исследователи из университета Бар-Илан в Израиле отвечают на этот вопрос с громким «да».Предыдущие глубокие архитектуры были улучшены, обновляя наиболее влиятельные пути к выводу.

“Можно думать об этом как о двух детях, которые хотят подняться на гору со многими поворотами. Один из них выбирает самый быстрый локальный маршрут на каждом перекрестке, в то время как другой использует бинокли, чтобы увидеть весь путь вперед и выбирает самый короткий и самый значительныйМаршрут, точно так же, как Google Maps или Waze. Первый ребенок может получить преимущество, но второй в конечном итоге выиграет »,-сказал профессор Идо Кантер из Департамента физики Бар-Илан и многопрофильный исследовательский центр Gonda (Goldschmied), и Gonda (Goldschmied).который руководил исследованием.

«Это открытие может проложить путь для лучшего улучшенного обучения ИИ, выбрав наиболее значимый путь к вершине», - добавил Ярден Цач, доктор философии.Студент и один из ключевых участников этой работы.

Это исследование более глубокого понимания систем ИИ профессором Кантером и его экспериментальной исследовательской группой, возглавляемой доктором Рони Варди, направлено на то, чтобы преодолеть биологический мир и машинное обучение, создавая тем самым улучшенную, продвинутую систему ИИ.На сегодняшний день они обнаружили доказательства эффективной дендритной адаптации с использованием нейрональных культур, а также как реализовать эти выводы в машинном обучении, показывая, как мелкие сети могут конкурировать с глубокими, и найти механизм, лежащий в основе успешного глубокого обучения.

Улучшение существующих архитектур с использованием глобальных решений может проложить путь для улучшения ИИ, что может улучшить его задачи классификации без необходимости дополнительных слоев.

Больше информации: Повышение точности путем принятия решений об объединении, прилегающих к выходному слою, Scientific Reports (2023).Doi: 10.1038/s41598-023-40566-y