Il team del MIT ha combinato un algoritmo di apprendimento dei dati con una rete neurale profonda che utilizza ad es.
Per rendere i sistemi di intelligenza artificiale resilienti a dati incoerenti, i ricercatori hanno cercato di implementare difese di apprendimento supervisionato.
Tradizionalmente, una rete neurale impara a connettersietichette o azioni specifiche con input dati. Ad esempio, una rete neurale che riceve migliaia di immagini contrassegnate come gatti, insieme a immagini contrassegnate come case e hot dog, dovrebbe etichettare correttamente la nuova immagine come un gatto.
In robusti sistemi di intelligenza artificiale, quelligli stessi metodi di apprendimento supervisionato possono essere testati con versioni parzialmente modificate dell'immagine. Se la rete colpisce la stessa etichetta - un gatto - c'è un'alta probabilità che l'immagine e che cambi o meno sia un gatto.
Utilizzare le reti neurali in ambito criticoper gli scenari di sicurezza, abbiamo dovuto capire come prendere decisioni in tempo reale sulla base delle ipotesi peggiori, spiegano gli autori del documento.
Pertanto, il team ha cercato di fare affidamento su uno in piùuna forma di apprendimento automatico che non richiede l'associazione di input etichettati agli output, ma mira piuttosto a migliorare determinate azioni in risposta agli input. Questo approccio è comunemente usato per insegnare ai computer a giocare a scacchi e a giocare.
Gli autori ritengono che il nuovo algoritmo CARRL potrebbe aiutare i robot ad affrontare in sicurezza le interazioni imprevedibili nel mondo reale.
Leggi di più
I fisici hanno creato un analogo di un buco nero e hanno confermato la teoria di Hawking. Dove porta?
L'algoritmo ha scoperto un nuovo misterioso strato all'interno della Terra
A causa del Sole, l'atmosfera terrestre perderà tutto l'ossigeno libero