Az MIT csapata egy adattanulási algoritmust kombinált egy mély neurális hálózattal, amely pl.
Annak érdekében, hogy a mesterséges intelligencia rendszereit ellenállóvá tegyék az inkonzisztens adatokkal szemben, a kutatók megpróbáltak felügyelt tanulási védelmet megvalósítani.
Hagyományosan egy neurális hálózat megtanul kapcsolódnimeghatározott címkék vagy műveletek adott inputokkal. Például egy ideghálózatnak, amely több ezer macskaként megjelölt képet kap, valamint házaknak és hot dogoknak címkézett képeket, helyesen kell macskának címkéznie az új képet.
Robusztus mesterséges intelligencia rendszerekben azokugyanazok a felügyelt tanulási módszerek tesztelhetők a kép részben módosított változataival. Ha a háló eléri ugyanazt a címkét - egy macska -, nagy az esély arra, hogy a kép és a változások macska legyenek.
Neurális hálózatok használata kritikus esetekbenbiztonsági forgatókönyvekhez ki kellett találnunk, hogyan hozzunk valós idejű döntéseket a legrosszabb feltételezések alapján – magyarázzák a lap szerzői.
Ezért a csapat megpróbált még egyre támaszkodnia gépi tanulás egy olyan formája, amely nem igényli a címkézett bemenetek és az outputok összekapcsolását, sokkal inkább bizonyos műveletek fokozására irányul az inputokra reagálva. Ezt a megközelítést általában arra használják, hogy a számítógépeket sakkozni és menni tanítsák.
A szerzők úgy vélik, hogy az új CARRL algoritmus segíthet a robotoknak a való világban kiszámíthatatlan interakciók biztonságos kezelésében.
Olvass tovább
A fizikusok létrehozták a fekete lyuk analógját, és megerősítették Hawking elméletét. Hova vezet?
Az algoritmus új titokzatos réteget fedezett fel a Föld belsejében
A Nap miatt a Föld légköre elveszíti az összes szabad oxigént