MIT-teamet kombinerede en datalæringsalgoritme med et dybt neuralt netværk, der bruger f.eks.
For at gøre kunstig intelligens-systemer modstandsdygtige over for inkonsistente data, har forskere forsøgt at implementere overvåget læringsforsvar.
Traditionelt lærer et neuralt netværk at oprette forbindelsespecifikke etiketter eller handlinger med givne input. For eksempel skal et neuralt netværk, der modtager tusindvis af billeder, der er tagget som katte, sammen med billeder, der er tagget som huse og hotdogs, korrekt mærke det nye billede som en kat.
I robuste kunstige intelligenssystemer er dissede samme overvågede læringsmetoder kan testes med delvist modificerede versioner af billedet. Hvis nettet rammer det samme mærke - en kat - er der stor chance for, at billedet og ændringer eller ej er en kat.
At bruge neurale netværk i kritiskefor sikkerhedsscenarier skulle vi finde ud af, hvordan vi kunne træffe beslutninger i realtid baseret på værst tænkelige antagelser, forklarer avisens forfattere.
Derfor forsøgte holdet at stole på en mereen form for maskinindlæring, der ikke kræver binding af mærkede input til output, men snarere sigter mod at forbedre visse handlinger som reaktion på input. Denne tilgang bruges ofte til at lære computere at spille skak og Go.
Forfatterne mener, at den nye CARRL-algoritme kan hjælpe robotter sikkert med at håndtere uforudsigelige interaktioner i den virkelige verden.
Læs mere
Fysikere har skabt en analog til et sort hul og bekræftet Hawkings teori. Hvor det fører hen?
Algoritme har opdaget et nyt mystisk lag inde i Jorden
På grund af solen mister jordens atmosfære al fri ilt