Tim MIT-a kombinirao je algoritam za učenje podataka s dubokom neuronskom mrežom koja koristi npr.
Kako bi sustave umjetne inteligencije učinili otpornima na nedosljedne podatke, istraživači su pokušali implementirati obranu nadziranog učenja.
Tradicionalno, neuronska mreža uči se povezivatiodređene oznake ili radnje s danim ulazima. Na primjer, neuronska mreža koja prima tisuće slika označenih kao mačke, zajedno sa slikama označenim kao kuće i hrenovke, trebala bi ispravno označiti novu sliku kao mačku.
U robusnim sustavima umjetne inteligencijeiste nadzirane metode učenja mogu se testirati s djelomično modificiranim verzijama slike. Ako mreža pogodi istu oznaku - mačka - velika je vjerojatnost da je slika i promjena ili ne mačka.
Za korištenje neuronskih mreža u kritičnimza sigurnosne scenarije morali smo smisliti kako donositi odluke u stvarnom vremenu na temelju najgorih pretpostavki, objašnjavaju autori rada.
Stoga se tim nastojao pouzdati u još jednogoblik strojnog učenja koji ne zahtijeva vezivanje označenih ulaza za izlaze, već ima za cilj poboljšati određene radnje kao odgovor na ulaze. Ovaj se pristup obično koristi za podučavanje računala igranju šaha i Go-a.
Autori vjeruju da bi novi CARRL algoritam mogao pomoći robotima da se sigurno nose s nepredvidivim interakcijama u stvarnom svijetu.
Čitaj više
Fizičari su stvorili analog crne rupe i potvrdili Hawkingovu teoriju. Kamo vodi?
Algoritam je otkrio novi tajanstveni sloj unutar Zemlje
Zbog Sunca će Zemljina atmosfera izgubiti sav slobodan kisik