MIT 팀은 데이터 학습 알고리즘을 심층 신경망과 결합했습니다.
일관되지 않은 데이터에 대해 인공 지능 시스템의 탄력성을 높이기 위해 연구자들은 지도 학습 방어를 구현하려고 노력해 왔습니다.
전통적으로 신경망은 연결하는 법을 배웁니다.주어진 입력을 가진 특정 레이블 또는 작업. 예를 들어, 집과 핫도그로 태그가 지정된 이미지와 함께 고양이로 태그가 지정된 수천 개의 이미지를 수신하는 신경망은 새 이미지에 고양이로 올바르게 레이블을 지정해야합니다.
강력한 인공 지능 시스템에서부분적으로 수정 된 이미지 버전으로 동일한지도 학습 방법을 테스트 할 수 있습니다. 그물이 같은 마크 (고양이)에 맞으면 이미지와 고양이가 변할 가능성이 높습니다.
중요한 상황에서 신경망을 사용하려면보안 시나리오의 경우 최악의 가정을 기반으로 실시간 결정을 내리는 방법을 알아내야 한다고 보고서 작성자는 설명합니다.
따라서 팀은 하나 더라벨이 지정된 입력을 출력에 바인딩 할 필요가 없지만 입력에 대한 응답으로 특정 작업을 향상시키는 것을 목표로하는 기계 학습의 한 형태입니다. 이 접근 방식은 일반적으로 컴퓨터에 체스와 바둑을 가르치는 데 사용됩니다.
저자는 새로운 CARRL 알고리즘이 로봇이 현실 세계에서 예측할 수없는 상호 작용을 안전하게 처리하는 데 도움이 될 수 있다고 믿습니다.
더 읽어보기
물리학 자들은 블랙홀의 아날로그를 만들어 호킹의 이론을 확인했습니다. 어디로 가는가?
알고리즘은 지구 내부에서 새로운 신비한 층을 발견했습니다
태양 때문에 지구 대기는 모든 자유 산소를 잃을 것입니다