Google-forskare har ett nytt alternativ till traditionella neurala nätverk

Kategori: Artificiell intelligens Postad 01 nov

Säg hej till kapselnätverket.

AI har haft enorm tillväxt under de senaste åren, och mycket av den framgången beror på djupa neurala nätverk, som tillhandahåller smartheten bakom imponerande trick som bildigenkänning. Men det finns en växande oro för att några av de grundläggande principerna som har gjort dessa system så framgångsrika kanske inte kan övervinna de stora problemen som AI står inför – kanske det största är behovet av enorma mängder data som man kan lära sig av (för en djupdykning i detta, kolla in vår funktion 'Är AI Riding a One-Trick Pony?').

Googles Geoff Hinton verkar vara bland dem som oroar sig över AI:s framtid. Som Trådbunden rapporterar , Hinton har avslöjat en ny version av traditionella neurala nätverk som han kallar kapselnätverk. I ett par nya tidningar — ett publicerad på arXIv , den andra på OpenReview —Hinton och en handfull kollegor förklarar hur de fungerar.

Deras tillvägagångssätt använder små grupper av neuroner, gemensamt kända som kapslar, som är organiserade i lager för att identifiera saker i video eller bilder. När flera kapslar i ett lager är överens om att ha upptäckt något, aktiverar de en kapsel på en högre nivå – och så vidare, tills nätverket kan göra en bedömning om vad det ser. Var och en av dessa kapslar är utformade för att upptäcka en specifik egenskap i en bild på ett sådant sätt att den kan känna igen dem i olika scenarier, som från olika vinklar.

Hinton hävdar att tillvägagångssättet, som har funnits i decennier, borde göra det möjligt för hans nätverk att känna igen objekt i nya situationer med mindre data än vanliga neurala nät måste använda.

I de tidningar som hittills publicerats har kapselnätverk visat sig hålla jämna steg med vanliga neurala nätverk när det gäller att identifiera handskrivna karaktärer, och de gör färre fel när de försöker känna igen tidigare observerade leksaker från olika vinklar. Men för tillfället är de åtminstone fortfarande lite långsammare än sina traditionella motsvarigheter.

Nu kommer då den intressanta delen. Kommer dessa system att ge ett övertygande alternativ till traditionella neurala nätverk, eller kommer de att stanna? Vi kan förvänta oss att maskininlärningsgemenskapen implementerar arbetet, och det snabbt, för att ta reda på det. Hur som helst kan de som är oroade över begränsningarna hos nuvarande AI-system bli uppmuntrade av det faktum att forskare tänjer på gränserna för att bygga nya alternativ för djupinlärning.