На пути к универсальному механизму успешного глубокого обучения

Классификация изображений — сложная задача, которую успешно решают архитектуры глубокого обучения. Эти глубокие архитектуры обычно состоят из множества уровней, каждый из которых состоит из множества фильтров.

Общепринято считать, что по мере продвижения изображения по слоям раскрываются более усовершенствованные функции и особенности функций изображения. Однако эти функции и особенности функций не поддаются количественной оценке, и поэтому то, как работает машинное обучение, остается загадкой.

В статье, недавно опубликованной в Научные отчетыИсследователи из Университета Бар-Илан раскрывают механизм, лежащий в основе успешного машинного обучения, который позволяет ему выполнять задачи классификации с ошеломляющим успехом.

«Каждый фильтр по сути распознает небольшой кластер изображений, и по мере продвижения слоев распознавание становится более четким. Мы нашли способ количественно измерить производительность одного фильтра», — сказал профессор Идо Кантер с факультета физики и физики Бар-Илана. Гонда (Гольдшмид) Многопрофильный центр исследования мозга, который руководил исследованием.

«Это открытие может проложить путь к лучшему пониманию того, как работает ИИ», — сказал доктор философии. студент Юваль Меир, один из ключевых участников этой работы. «Это может улучшить задержку, использование памяти и сложность архитектуры без снижения общей точности».

Хотя искусственный интеллект находится в авангарде недавнего технологического прогресса, понимание того, как на самом деле работают такие машины, может открыть путь к еще более совершенному искусственному интеллекту.