人工智能时代前沿技术社区

首页 > 人工智能 > 热点

受孩子学习方式启发的AI算法更难以混淆

但是当父母教孩子时,方法完全不同。

作者: | 2020-05-09 21:25:09

教授机器学习算法的标准做法是立即提供所有细节。假设要建立一个图像分类系统来识别不同种类的动物可以显示每个物种的示例,并相应地贴上标签:例如,“德国牧羊犬”和“贵宾犬”代表狗。

 1589030737579031.jpg

但是当父母教孩子时,方法完全不同。它们以更广泛的标签开头:任何种类的狗起初都是“狗”。只有在孩子学会了如何区分这些较简单的类别之后,父母才会将每个类别分解为更多细节。

卡内基梅隆大学的研究人员从这种方法中汲取了灵感,创造了一种新技术,该技术教授神经网络对事物进行阶段分类。在每个阶段,网络都会看到相同的训练数据。但是标签从简单到广泛开始,随着时间的推移变得更加具体。

为了确定这种难度,研究人员首先向神经网络展示了训练数据以及最终的详细标签。然后,他们计算出所谓的混淆矩阵,该矩阵显示了模型最难以区分的类别。研究人员用它来确定训练的阶段,在早期阶段将最不明显的类别归为一个标签,并在每次迭代时将它们重新划分为更精细的标签。

在使用多个流行的图像分类数据集进行的测试中,该方法几乎总会产生最终的机器学习模型,该模型优于传统方法训练的模型。在最佳情况下,分类精度提高了7%。

虽然这种方法是新的,但背后的想法却并非如此。自1990年代以来,在难度不断增加的阶段训练神经网络的实践被称为“课程学习”。但是以前的课程学习努力集中在向神经网络显示每个阶段的不同数据子集,而不是向具有不同标签的相同数据显示。该论文的合著者Otilia Stretcu在上周的国际学习代表大会上提出了最新的方法。

当今的大多数深度学习研究都强调模型的规模:如果图像分类系统很难区分不同的对象,则意味着它没有经过足够的实例训练。但是通过借鉴人类学习的方式,研究人员发现了一种新方法,该方法可以使他们在完全相同的训练数据下获得更好的结果。它提出了一种创建更具数据效率的学习算法的方法。