虽然Ai可以执行一些人令人印象深刻的壮举在数百万数据点训练时,人类大脑通常可以从小的例子中学习。新研究表明借款建筑原则来自大脑可以帮助AI更接近我们的视觉实力。

深度学习研究的普遍智慧是您以算法抛出的数据越多,它将学习越好。在大数据的时代,比以往任何时候都更容易,特别是对于大量数据为中心的科技公司进行了许多尖端AI研究。

今天'S.最大深度学习模特,就像Openai的GPT-3和谷歌的BERT,都是用数十亿的数据点训练出来的,甚至更谦逊楷模需要大量的数据。收集这些数据集并投入计算资源来处理它们是一个主要的瓶颈,特别是对于资源不足的学术实验室。

它也意味着今天的AI.比自然智力更柔韧。虽然人类只需要看到动物,工具或其他一些物体的少数例子可以再次挑选出来,但大多数Ai需要训练了很多例子一个物体为了能够识别它。

AI研究的活跃子学科其目标是所谓的“一次性”或“少量”学习,即算法被设计成能够从很少的例子中学习。但这些方法在很大程度上仍处于实验阶段,它们不能接近匹配荷兰国际集团(ing)我们认识的最快学习者 - 人类大脑。

TH.提示一对神经科学家来看看他们是否可以通过借用来自我们认为大脑如何解决这个问题的原则来设计一个可以学习的AI。在一个纸张计算神经科学的边疆他们解释说这种方法大大提高了艾..能够从一些例子中学习新的视觉概念。

“我们的模型为人工神经网络从少数例子中学习新的视觉概念提供了一种生物学上可信的方法,”Maximilian Riesenhuber,乔治城大学医学中心SAID在一份新闻稿中“我们可以利用预先学习的方式,让计算机从少数例子中学习得更好,我们认为这种方式可以反映大脑的行为。”

几十年的神经科学研究表明,大脑的学习能力如此之快要看关于使用先验知识来了解基于小数据的新概念的能力。当涉及视觉理解时,这可以依赖于形状,结构或颜色的相似性,但大脑也可以利用摘要视觉概念认为在称为前颞叶(ATL)的脑区域中被编码。

这就是说鸭嘴兽看起来像鸭子,海狸和海獭,“saID合著者Joshua Rule来自加州大学伯克利分校。

研究人员决定通过使用A的类似的高级概念尝试重新创建这种能力Nai帮助它快速了解以前的未经看不见的图像类别。

深入学习算法通过获取人工神经元的层来学习图像或其他数据类型的越来越复杂的特征,然后用于对新数据进行分类。例如,早期的层将寻找像边缘这样的简单功能,而后来的目录可能会寻找更复杂的,如鼻孔,面部,或更高级别的特征。

首先,他们从流行想象数据集中横跨了2,000个不同类别的2,000个不同类别培训了AI。然后,它们从网络的各个层中提取特征,包括在输出层之前的最后一层。T.嘿,请参阅这些作为“概念特征”,因为y是学习的最高级别功能,最类似于可能在ATL中编码的抽象概念。

然后,它们使用这些不同的特征来训练AI基于2,4,8,16,32,64和128示例学习新概念。他们发现,使用概念特征的AI比使用较低数量的示例在较低数量的较低级别训练的情况下产生了更好的性能,但随着它们的喂养更多的训练示例,差距缩小。

虽然研究人员承认他们设置了他们的挑战佤邦它相对简单,而且只涵盖了视觉推理这一复杂过程的一个方面ID使用生物学上可合理的解决少量射击问题的方法在神经科学和AI中开辟了新的途径。

我们的发现不仅表明技术可以帮助计算机更快更有效地学习,它们还可以导致改进的神经科学实验,旨在了解人们如何学习这么快,这还没有被很好地理解,”Riesenhuber saID

作为研究人员,当对我们周围的世界来说,人类视觉系统仍然是金标准。从设计原则借款可能会成为未来研究的盈利方向。

图片来源:Gerd Altmann.Pixabay

我是印度班加罗尔的自由职业者科学和技术作家。我的主要感兴趣的领域是工程,计算和生物学,特别关注三个之间的交叉点。

遵循EDD: