Das MIT-Team kombinierte einen Datenlernalgorithmus mit einem tiefen neuronalen Netzwerk, das z.B.
Um künstliche Intelligenzsysteme gegenüber inkonsistenten Daten widerstandsfähig zu machen, haben Forscher versucht, überwachte Lernabwehrmechanismen zu implementieren.
Traditionell lernt ein neuronales Netzwerk, sich zu verbindenbestimmte Beschriftungen oder Aktionen mit bestimmten Eingaben. Beispielsweise sollte ein neuronales Netzwerk, das Tausende von als Katzen gekennzeichneten Bildern sowie als Häuser und Hot Dogs gekennzeichnete Bilder empfängt, das neue Bild korrekt als Katze kennzeichnen.
In robusten künstlichen Intelligenzsystemen sind dieseDieselben überwachten Lernmethoden können mit teilweise modifizierten Versionen des Bildes getestet werden. Wenn das Netz auf dasselbe Etikett trifft - eine Katze - besteht eine hohe Wahrscheinlichkeit, dass das Bild und die Änderungen eine Katze sind oder nicht.
Neuronale Netze in kritischen Situationen nutzenFür Sicherheitsszenarien mussten wir herausfinden, wie wir Entscheidungen in Echtzeit auf der Grundlage von Worst-Case-Annahmen treffen können, erklären die Autoren des Papiers.
Daher versuchte das Team, sich auf einen weiteren zu verlassenEine Form des maschinellen Lernens, bei der keine gekennzeichneten Eingaben an Ausgaben gebunden werden müssen, sondern bestimmte Aktionen als Reaktion auf Eingaben verbessert werden sollen. Dieser Ansatz wird häufig verwendet, um Computern das Schach- und Go-Spielen beizubringen.
Die Autoren glauben, dass der neue CARRL-Algorithmus Robotern helfen kann, mit unvorhersehbaren Interaktionen in der realen Welt sicher umzugehen.
weiter lesen
Physiker haben ein Analogon eines Schwarzen Lochs erstellt und Hawkings Theorie bestätigt. Wohin führt es?
Der Algorithmus hat eine neue mysteriöse Schicht innerhalb der Erde entdeckt
Durch die Sonne verliert die Erdatmosphäre jeglichen freien Sauerstoff