Tým MIT zkombinoval algoritmus učení dat s hlubokou neuronovou sítí, která využívá např.
Aby byly systémy umělé inteligence odolné vůči nekonzistentním datům, pokusili se vědci implementovat obranu pod dohledem učení.
Neuronová síť se tradičně učí spojovatkonkrétní štítky nebo akce s danými vstupy. Například neurální síť, která přijímá tisíce obrázků označených jako kočky, spolu s obrázky označenými jako domy a párky v rohlíku, by měla nový obrázek správně označit jako kočku.
V robustních systémech umělé inteligencestejné metody učení pod dohledem lze testovat s částečně upravenými verzemi obrázku. Pokud síť zasáhne stejnou značku - kočka - je velká šance, že obraz a změny se změní nebo ne, je kočka.
Kritické využití neuronových sítíu bezpečnostních scénářů jsme museli přijít na to, jak se rozhodovat v reálném čase na základě předpokladů nejhoršího případu, vysvětlují autoři článku.
Tým se proto snažil spoléhat na ještě jednuforma strojového učení, která nevyžaduje vazbu označených vstupů na výstupy, ale spíše se zaměřuje na posílení určitých akcí v reakci na vstupy. Tento přístup se běžně používá k výuce počítačů při hraní šachů a hraní hry Go.
Autoři se domnívají, že nový algoritmus CARRL by mohl pomoci robotům bezpečně se vypořádat s nepředvídatelnými interakcemi v reálném světě.
Přečtěte si více
Fyzici vytvořili analogii černé díry a potvrdili Hawkingovu teorii. Kam to vede?
Algoritmus objevil novou záhadnou vrstvu uvnitř Země
Díky slunci ztratí zemská atmosféra veškerý volný kyslík