Тим МИТ-а је комбиновао алгоритам за учење података са дубоком неуронском мрежом која користи нпр.
Да би системи вештачке интелигенције били отпорни на недоследне податке, истраживачи су покушали да имплементирају надгледану одбрану учења.
Традиционално, неуронска мрежа учи да се повезујеодређене ознаке или радње са датим улазима. На пример, неуронска мрежа која прима хиљаде слика означених као мачке, заједно са сликама означеним као куће и хреновке, требало би да нову слику правилно означи као мачка.
У робусним системима вештачке интелигенцијеисте надгледане методе учења могу се тестирати делимично измењеним верзијама слике. Ако мрежа погоди исту ознаку - мачка - велика је шанса да је слика и промена или не мачка.
Да се користе неуронске мреже у критичнимза безбедносне сценарије, морали смо да смислимо како да доносимо одлуке у реалном времену на основу претпоставки најгорег случаја, објашњавају аутори листа.&нбсп;
Стога је тим настојао да се ослони на још једаноблик машинског учења који не захтева везивање означених улаза за излазе, већ има за циљ побољшање одређених радњи као одговор на улазе. Овај приступ се обично користи за учење рачунара да играју шах и Го.
Аутори верују да би нови ЦАРРЛ алгоритам могао помоћи роботима да се безбедно носе са непредвидивим интеракцијама у стварном свету.
Опширније
Физичари су створили аналог црне рупе и потврдили Хокингову теорију. Куда води?
Алгоритам је открио нови мистериозни слој унутар Земље
Због Сунца ће Земљина атмосфера изгубити сав слободан кисеоник