Глубокое обучение (DL) осуществляет классификацию через многослойную структуру. Для эффективного решения задач часто используются локальные решения на разных уровнях. Однако можно ли разработать более всесторонний метод, выбирая наиболее важные пути к результату, вместо локальных решений?
В новой статье, опубликованной сегодня в журнале Scientific Reports, исследователи из Университета Бар-Илан в Израиле предлагают положительный ответ на этот вопрос. Они улучшили существующие архитектуры глубокого обучения путем оптимизации ключевых путей к выходным данным.
Профессор Идо Кантер, руководивший исследованием, сравнил это ситуацией, когда двое детей идут в гору с извилистыми дорожками. Один выбирает наилучший путь на каждом повороте, а другой смотрит вперед с помощью бинокля, выбирая самый короткий и важный путь, как системы навигации Google Maps или Waze. В конечном итоге, второй ребенок побеждает.
Это открытие может сделать обучение искусственного интеллекта более эффективным, выбирая наиболее значимые пути к успеху.
Исследование, проведенное профессором Кантером и его группой, направлено на более глубокое понимание искусственного интеллекта, создавая связь между биологическим миром и машинным обучением. Они выявили, как можно улучшить систему искусственного интеллекта, используя принципы из биологии. Одно из ключевых открытий заключается в эффективной адаптации дендритов с использованием нейрональных культур, а также в том, как поверхностные сети могут соревноваться с глубокими. Они также выявили механизм успешного глубокого обучения.
Это улучшение существующих архитектур через глобальные решения может привести к усовершенствованному искусственному интеллекту, способному справляться с классификационными задачами без создания дополнительных слоев.
