En teknik til at forbedre maskinlæring inspireret af menneskelige spædbørns adfærd

Fra deres første leveår, mennesker har den medfødte evne til at lære kontinuerligt og bygge mentale modeller af verden, blot ved at observere og interagere med ting eller mennesker i deres omgivelser. Kognitiv psykologi undersøgelser tyder på, at mennesker gør udstrakt brug af denne tidligere erhvervede viden, især når de møder nye situationer eller når de træffer beslutninger.

På trods af de betydelige nylige fremskridt inden for kunstig intelligens (AI), de fleste virtuelle agenter kræver stadig hundredvis af timers træning for at opnå præstation på menneskeligt niveau i flere opgaver, mens mennesker kan lære at udføre disse opgaver på få timer eller mindre. Nylige undersøgelser har fremhævet to vigtige bidragsydere til menneskers evne til at tilegne sig viden så hurtigt – nemlig, intuitiv fysik og intuitiv psykologi.

Disse intuitionsmodeller, som er blevet observeret hos mennesker fra tidlige udviklingsstadier, kan være kernefacilitatorerne for fremtidig læring. Baseret på denne idé, forskere ved Korea Advanced Institute of Science and Technology (KAIST) har for nylig udviklet en iboende belønningsnormaliseringsmetode, der giver AI-agenter mulighed for at vælge handlinger, der forbedrer deres intuitionsmodeller mest. I deres papir, forudgivet på arXiv, forskerne foreslog specifikt et grafisk fysiknetværk integreret med dyb forstærkningslæring inspireret af den indlæringsadfærd, der observeres hos menneskelige spædbørn.

"Forestil dig menneskelige spædbørn i et rum med legetøj liggende i en tilgængelig afstand, " forklarer forskerne i deres papir. "De griber konstant, kaste og udføre handlinger på genstande; Sommetider, de observerer følgerne af deres handlinger, men nogle gange, de mister interessen og går videre til et andet objekt. Synet på 'barn som videnskabsmand' antyder, at menneskelige spædbørn er iboende motiverede til at udføre deres egne eksperimenter, finde mere information, og til sidst lære at skelne forskellige objekter og skabe rigere interne repræsentationer af dem."

Psykologiske undersøgelser tyder på, at i deres første leveår, mennesker eksperimenterer konstant med deres omgivelser, og dette giver dem mulighed for at danne en nøgleforståelse af verden. I øvrigt, når børn observerer resultater, der ikke lever op til deres forudgående forventninger, hvilket er kendt som forventningsbrud, de opfordres ofte til at eksperimentere yderligere for at opnå en bedre forståelse af den situation, de er i.

Holdet af forskere ved KAIST forsøgte at reproducere denne adfærd i AI-agenter ved hjælp af en forstærkningslæringstilgang. I deres undersøgelse, de introducerede først et grafisk fysiknetværk, der kan udtrække fysiske relationer mellem objekter og forudsige deres efterfølgende adfærd i et 3-D-miljø. Efterfølgende de integrerede dette netværk med en dyb-forstærkende læringsmodel, introduktion af en iboende belønningsnormaliseringsteknik, der tilskynder en AI-agent til at udforske og identificere handlinger, der løbende vil forbedre dens intuitionsmodel.

Ved hjælp af en 3-D fysikmotor, forskerne demonstrerede, at deres grafiske fysiknetværk effektivt kan udlede forskellige objekters positioner og hastigheder. De fandt også ud af, at deres tilgang tillod det dybe forstærkende læringsnetværk til løbende at forbedre sin intuitionsmodel, opmuntre det til at interagere med objekter udelukkende baseret på indre motivation.

I en række evalueringer, den nye teknik udviklet af dette team af forskere opnåede bemærkelsesværdig nøjagtighed, med AI-agenten, der udfører et større antal forskellige udforskende handlinger. I fremtiden, det kunne informere udviklingen af ​​maskinlæringsværktøjer, der kan lære af deres tidligere erfaringer hurtigere og mere effektivt.

"Vi har testet vores netværk på både stationære og ikke-stationære problemer i forskellige scener med sfæriske objekter med varierende masser og radier, " forklarer forskerne i deres papir. "Vores håb er, at disse fortrænede intuitionsmodeller senere vil blive brugt som en forudgående viden til andre målorienterede opgaver såsom ATARI-spil eller videoforudsigelse."

© 2019 Science X Network