Kunstig intelligens:Mod en bedre forståelse af de underliggende mekanismer

Den automatiske identifikation af komplekse funktioner i billeder er allerede blevet en realitet takket være kunstige neurale netværk. Nogle eksempler på software, der udnytter denne teknik, er Facebooks automatiske mærkningssystem, Googles billedsøgemaskine og dyre- og plantegenkendelsessystemet, der bruges af iNaturalist. Vi ved, at disse netværk er inspireret af den menneskelige hjerne, men deres arbejdsmekanisme er stadig mystisk.

Ny forskning, udført af SISSA i samarbejde med det tekniske universitet i München og offentliggjort til den 33. årlige NeurIPS -konference, foreslår en ny tilgang til at studere dybe neurale netværk og kaster nyt lys over de billedudviklingsprocesser, som disse netværk er i stand til at udføre.

Ligesom hvad der sker i det visuelle system, neurale netværk, der bruges til automatisk billedgenkendelse, analyserer indholdet gradvist, gennem en kæde af behandlingstrin. Imidlertid, til dato, det er ikke helt klart, hvilke mekanismer der tillader dybe netværk at nå deres ekstraordinære nøjagtighedsniveauer.

"Vi har udviklet en innovativ metode til systematisk at måle kompleksiteten af ​​informationen, der er kodet i de forskellige lag i et dybt netværk-den såkaldte iboende dimension af billedrepræsentationer, "siger Davide Zoccolan og Alessandro Laio, henholdsvis neuroforsker og fysiker ved SISSA. "Takket være et tværfagligt arbejde, der har involveret samarbejde med eksperter i fysik, neurovidenskab og maskinlæring, Det er lykkedes os at udnytte et værktøj, der oprindeligt blev udviklet på et andet område til at studere funktionen af ​​dybe neurale netværk. "

SISSA -forskere, i samarbejde med Jakob Macke fra det tekniske universitet i München, har undersøgt, hvordan oplysningerne fra neurale netværk, der bruges til billedklassificering, behandles:"Vi har fundet ud af, at billedrepræsentationer undergår en progressiv transformation. I de tidlige behandlingsfaser, billedinformation er trofast og udtømmende repræsenteret, giver anledning til rige og komplekse repræsentationer. I de sidste behandlingsfaser, oplysningerne er radikalt forenklet, producere billedrepræsentationer, der understøttes af et par dusin parametre, "forklar de to forskere." Overraskende fandt vi ud af, at klassificeringsnøjagtigheden af ​​et neuralt netværk stramt afhænger af dets evne til at forenkle:jo mere det forenkler oplysningerne, jo mere præcist er det. "

Dette er et særligt vigtigt resultat for SISSA, der for nylig har lanceret et nyt forskningsprogram inden for datavidenskab, med det mål at studere og udvikle innovative algoritmer til behandling af komplekse og store datasæt.