Екип от MIT комбинира алгоритъм за обучение на данни с дълбока невронна мрежа, която използва, например,
За да направят системите с изкуствен интелект устойчиви на противоречиви данни, изследователите се опитаха да приложат защити за контролирано обучение.
Традиционно невронната мрежа се научава да се свързваспецифични етикети или действия с дадени входове. Например невронна мрежа, която получава хиляди изображения, маркирани като котки, заедно с изображения, маркирани като къщи и хот-доги, трябва правилно да обозначи новото изображение като котка.
В здравите системи за изкуствен интелект тезисъщите контролирани методи на обучение могат да бъдат тествани с частично модифицирани версии на изображението. Ако мрежата удари една и съща марка - котка - има голяма вероятност изображението и да се промени или не е котка.
За да използваме невронните мрежи в критични за безопасността сценарии, трябваше да разберем как да вземаме решения в реално време въз основа на най-лошите предположения, обяснявамеАвтори на произведението.
Затова екипът се стреми да разчита на още единформа на машинно обучение, която не изисква обвързването на етикетирани входове с изходи, а по-скоро цели подобряване на определени действия в отговор на входовете. Този подход обикновено се използва за обучение на компютри да играят шах и Go.
Авторите вярват, че новият алгоритъм CARRL може да помогне на роботите безопасно да се справят с непредсказуеми взаимодействия в реалния свят.
Прочетете още
Физиците са създали аналог на черна дупка и са потвърдили теорията на Хокинг. Къде води?
Алгоритъмът е открил нов тайнствен слой вътре в Земята
Поради Слънцето земната атмосфера ще загуби целия свободен кислород