Sistem pembelajaran mesin 'cair' beradaptasi dengan kondisi yang berubah
Sciences

Sistem pembelajaran mesin ‘cair’ beradaptasi dengan kondisi yang berubah


Kredit: Pixabay / CC0 Domain Publik

Peneliti MIT telah mengembangkan jenis jaringan saraf yang belajar sambil bekerja, tidak hanya selama fase pelatihannya. Algoritme fleksibel ini, yang disebut jaringan “cair”, mengubah persamaan dasarnya untuk terus beradaptasi dengan input data baru. Kemajuan dapat membantu pengambilan keputusan berdasarkan aliran data yang berubah dari waktu ke waktu, termasuk yang terlibat dalam diagnosis medis dan mengemudi otonom.

“Ini adalah cara maju untuk masa depan kendali robot, pemrosesan bahasa alami, pemrosesan video — segala bentuk pemrosesan data deret waktu,” kata Ramin Hasani, penulis utama studi tersebut. “Potensinya sangat signifikan.”

Penelitian ini akan dipresentasikan pada Konferensi AAAI tentang Kecerdasan Buatan bulan Februari. Selain Hasani, seorang postdoc di MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), rekan penulis MIT termasuk Daniela Rus, direktur CSAIL dan Profesor Teknik Elektro dan Ilmu Komputer Andrew dan Erna Viterbi, dan Ph.D. siswa Alexander Amini. Rekan penulis lainnya termasuk Mathias Lechner dari Institut Sains dan Teknologi Austria dan Radu Grosu dari Universitas Teknologi Wina.

Data deret waktu ada di mana-mana dan penting untuk memahami dunia, menurut Hasani. “Dunia nyata adalah tentang urutan. Bahkan persepsi kita — Anda tidak mengamati gambar, Anda mengamati urutan gambar,” katanya. “Jadi, data deret waktu benar-benar menciptakan realitas kita.”

Dia menunjuk pada pemrosesan video, data keuangan, dan aplikasi diagnostik medis sebagai contoh deret waktu yang penting bagi masyarakat. Perubahan aliran data yang selalu berubah ini tidak dapat diprediksi. Namun menganalisis data ini secara real time, dan menggunakannya untuk mengantisipasi perilaku di masa depan, dapat mendorong perkembangan teknologi yang muncul seperti mobil tanpa pengemudi. Jadi Hasani membangun algoritma yang cocok untuk tugas tersebut.

Hasani merancang jaringan saraf yang dapat beradaptasi dengan variabilitas sistem dunia nyata. Jaringan neural adalah algoritme yang mengenali pola dengan menganalisis sekumpulan contoh “pelatihan”. Mereka sering dikatakan meniru jalur pemrosesan otak — Hasani mendapatkan inspirasi langsung dari nematoda mikroskopis, C. elegans. “Ia hanya memiliki 302 neuron dalam sistem sarafnya,” katanya, “namun ia dapat menghasilkan dinamika kompleks yang tak terduga.”

Hasani mengkodekan jaringan sarafnya dengan hati-hati terhadap bagaimana neuron C. elegans mengaktifkan dan berkomunikasi satu sama lain melalui impuls listrik. Dalam persamaan yang dia gunakan untuk menyusun jaringan sarafnya, dia mengizinkan parameter untuk berubah seiring waktu berdasarkan hasil dari kumpulan persamaan diferensial bersarang.

Fleksibilitas ini adalah kuncinya. Sebagian besar perilaku jaringan neural diperbaiki setelah fase pelatihan, yang berarti mereka buruk dalam menyesuaikan dengan perubahan dalam aliran data yang masuk. Hasani mengatakan fluiditas jaringan “cair” -nya membuatnya lebih tahan terhadap data yang tidak terduga atau berisik, seperti jika hujan lebat mengaburkan pandangan kamera pada mobil yang mengemudi sendiri. “Jadi, ini lebih kuat,” katanya.

Ada keuntungan lain dari fleksibilitas jaringan, ia menambahkan: “Ini lebih dapat ditafsirkan.”

Hasani mengatakan jaringan cairannya menutupi ketidaktahuan yang biasa terjadi pada jaringan saraf lainnya. “Hanya dengan mengubah representasi neuron,” yang dilakukan Hasani dengan persamaan diferensial, “Anda benar-benar dapat menjelajahi beberapa tingkat kerumitan yang tidak dapat Anda jelajahi sebaliknya.” Berkat sejumlah kecil neuron yang sangat ekspresif milik Hasani, lebih mudah untuk mengintip ke dalam “kotak hitam” dari pengambilan keputusan jaringan dan mendiagnosis mengapa jaringan membuat karakterisasi tertentu.

“Modelnya sendiri lebih kaya dari segi ekspresif,” kata Hasani. Itu dapat membantu para insinyur memahami dan meningkatkan kinerja jaringan cair.

Jaringan Hasani unggul dalam serangkaian tes. Ini mengungguli algoritme deret waktu canggih lainnya dengan beberapa poin persentase dalam memprediksi nilai masa depan secara akurat dalam kumpulan data, mulai dari kimia atmosfer hingga pola lalu lintas. “Dalam banyak aplikasi, kami melihat kinerjanya sangat tinggi,” katanya. Selain itu, ukuran jaringan yang kecil berarti ia menyelesaikan pengujian tanpa biaya komputasi yang mahal. “Semua orang berbicara tentang meningkatkan jaringan mereka,” kata Hasani. “Kami ingin memperkecil, untuk memiliki node yang lebih sedikit tetapi lebih kaya.”

Hasani berencana untuk terus meningkatkan sistem dan menyiapkannya untuk aplikasi industri. “Kami memiliki jaringan saraf yang terbukti lebih ekspresif yang terinspirasi oleh alam. Tapi ini baru permulaan dari proses,” katanya. “Pertanyaan yang jelas adalah bagaimana Anda memperluas ini? Kami pikir jaringan semacam ini bisa menjadi elemen kunci dari sistem intelijen masa depan.”


Kecerdasan buatan — memarkir mobil dengan hanya 12 neuron


Informasi lebih lanjut:
Jaringan Waktu-konstan Cair, arXiv: 2006.04439 [cs.LG] arxiv.org/abs/2006.04439

Disediakan oleh Massachusetts Institute of Technology

Kutipan: Sistem pembelajaran mesin ‘cair’ beradaptasi dengan kondisi yang berubah (2021, 28 Januari) diambil 28 Januari 2021 dari https://techxplore.com/news/2021-01-liquid-machine-learning-conditions.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Hongkong Prize