Počítačoví vědci chtějí, aby roboti zapomněli na jejich špatná data

$config[ads_kvadrat] not found

Počúvam (Instrumental)

Počúvam (Instrumental)
Anonim

Když se „špatná“ data dostanou do systému strojového učení - Alan Greenspan to uvedl při diskusi o počítačových modelech, které nedokázaly předpovědět recesi v roce 2008 - tyto informace mohou být těžko odstranitelné. Ale nový koncept, navrhovaný počítačovými vědci Junfeng Yangem a Yinzhi Cao z Columbia University a Lehigh University, přináší myšlenku na odnaučení počítačů. Jak Cao a Yang píšou v abstraktu publikovaném pro konferenci IEEE Xplore 2015, nemusíte jít až na první místo, abyste zapomněli:

Abychom zapomněli vzorek tréninkových dat, náš přístup jednoduše aktualizuje malý počet sumarizací - asymptoticky rychleji než rekvalifikace od nuly. Náš přístup je obecný, protože souhrnná forma je ze statistického dotazování, ve kterém lze implementovat mnoho algoritmů strojového učení. Náš přístup se vztahuje také na všechny fáze strojového učení, včetně výběru a modelování. Naše hodnocení na čtyřech různých vzdělávacích systémech a reálném pracovním zatížení ukazuje, že náš přístup je obecný, účinný, rychlý a snadno použitelný.

Koncepce strojového učení spočívá na základech postavených z hromady a hromady informací. To může být užitečné naučit roboty nebo umělé inteligence, aby vytvořily určitá spojení - jako kdyby jednotlivec v těžkém kabátu ovládal sekeru, on nebo ona by mohla být hasičem. V těchto školeních však mohou na základě souboru dat vzniknout chybná spojení. Váš robot si může myslet, že všichni hasiči mají vousy. To je samozřejmě něco, co by počítač chtěl nemyslím.

Cao a Yang zakládají tuto myšlenku odpojení robotických informací od konceptu datové linie - tato data nejsou na jaře plně formována do světa, ale mají sledovatelnou historii, když se zpracovávají nespracovaná data, poznámky Kurzweil A.I. Využití této linie umožňuje strojům odnaučit si vybrat části dat, aniž by zcela vymazaly své vzdělání.

$config[ads_kvadrat] not found