Sbloccare il potere della diversità nelle reti neurali come i neuroni adattivi superano l’omogeneità nella classificazione delle immagini e nella regressione non lineare

Sbloccare il potere della diversità nelle reti neurali

Una rete neurale è un metodo nell’intelligenza artificiale che insegna ai computer a elaborare i dati in un modo ispirato al cervello umano. Utilizza nodi o neuroni interconnessi in una struttura a strati che assomiglia al cervello umano. I neuroni artificiali sono disposti in strati per formare reti neurali, che vengono utilizzate per varie attività come il riconoscimento di pattern, la classificazione, la regressione e altro. Questi neuroni formano connessioni solide modificando pesi numerici e bias durante le sessioni di allenamento.

Nonostante gli sviluppi di queste reti neurali, hanno una limitazione. Sono composte da un gran numero di neuroni di tipi simili. Il numero e la forza delle connessioni tra quei neuroni identici possono cambiare fino a quando la rete impara. Tuttavia, una volta ottimizzata la rete, queste connessioni fisse definiscono la sua architettura e il suo funzionamento, che non possono essere modificati.

Di conseguenza, i ricercatori hanno sviluppato un metodo che può migliorare le capacità dell’intelligenza artificiale. Permette all’intelligenza artificiale di guardare all’interno della sua struttura e ottimizzare la sua rete neurale. Studi hanno dimostrato che diversificare le funzioni di attivazione può superare le limitazioni e consentire al modello di funzionare in modo efficiente.

• Oltre la curva di Gauss Un’introduzione alla distribuzione t
• Monitoraggio dei modelli di Machine Learning in produzione Perché e Come?
• Il problema di percezione pubblica del Machine Learning

Hanno testato l’IA sulla diversità. William Ditto, professore di fisica presso la North Carolina State University e direttore del Nonlinear Artificial Intelligence Laboratory (NAIL) dell’NC State, ha detto che hanno creato un sistema di test con un’intelligenza non umana, un’intelligenza artificiale (IA), per vedere se l’IA avrebbe scelto la diversità rispetto alla mancanza di diversità e se questa scelta avrebbe migliorato le prestazioni dell’IA. Inoltre, ha detto che la chiave era permettere all’IA di guardare all’interno e imparare come impara.

Le reti neurali che permettono ai neuroni di imparare autonomamente le loro funzioni di attivazione tendono a mostrare una rapida diversificazione e a ottenere risultati migliori rispetto ai loro omologhi omogenei in attività come la classificazione delle immagini e la regressione non lineare. D’altra parte, il team di Ditto ha dato all’IA la capacità di determinare autonomamente il numero, la configurazione e la forza delle connessioni tra i neuroni nella sua rete neurale. Questo approccio ha permesso la creazione di sottoreti composte da vari tipi di neuroni e forze di connessione all’interno della rete mentre imparava.

Ditto ha detto che hanno dato all’IA la capacità di guardare all’interno e decidere se era necessario modificare la composizione della sua rete neurale. In sostanza, gli hanno dato la manopola di controllo per il suo cervello. Così, può risolvere il problema, guardare il risultato e cambiare il tipo e la combinazione di neuroni artificiali fino a trovare il più vantaggioso. Lo ha chiamato meta-apprendimento per l’IA. La loro IA poteva anche decidere tra neuroni diversi o omogenei. Ha aggiunto che hanno scoperto che l’IA ha scelto la diversità in ogni caso per migliorare le prestazioni.

I ricercatori hanno testato il sistema su un compito standard di classificazione numerica e hanno scoperto che l’accuratezza del sistema aumentava con l’aumento dei neuroni e della diversità. I ricercatori hanno affermato che l’IA omogenea ha raggiunto un tasso di accuratezza del 57% nell’identificazione dei numeri, mentre l’IA diversa e di meta-apprendimento ha raggiunto un impressionante tasso di accuratezza del 70%.

I ricercatori hanno detto che in futuro potrebbero concentrarsi sul miglioramento delle prestazioni ottimizzando la diversità appresa mediante l’aggiustamento degli iperparametri. Inoltre, applicheranno la diversità acquisita a un’ampia gamma di compiti di regressione e classificazione, diversificheranno le reti neurali e valuteranno la loro robustezza e prestazioni in diverse situazioni.