Kompiuterių mokslininkai nori, kad robotai pamirštų jų blogus duomenis

Kai „blogi“ duomenys įsiurbiami į mašininio mokymosi sistemą - taip Alanas Greenspanas, kai jis aptarė kompiuterinius modelius, kurie neparodė 2008 m. Recesijos, ši informacija gali būti sunkiai išstumiama. Tačiau naujoji koncepcija, kurią pasiūlė kompiuterių mokslininkai Junfeng Yang ir Yinzhi Cao, iš Kolumbijos universiteto ir Lehigh universiteto, atneša idėjų apie mokymąsi į kompiuterius. Kaip „Cao“ ir „Yang“ rašo santraukoje, paskelbtoje 2015 m. IEEE Xplore konferencijoje, nereikia grįžti atgal į aikštę, kad pamirštumėte:

Norėdami pamiršti mokymo duomenų pavyzdį, mūsų požiūris paprasčiausiai atnaujina nedidelį sumų skaičių - asimptotiškai greičiau nei perkvalifikavimas nuo nulio. Mūsų požiūris yra bendras, nes sumavimo forma gaunama iš statistinės užklausos mokymosi, kuriame galima įgyvendinti daug mašinų mokymosi algoritmų. Mūsų požiūris taip pat taikomas visiems mašinos mokymosi etapams, įskaitant funkcijų pasirinkimą ir modeliavimą. Mūsų vertinimas dėl keturių skirtingų mokymosi sistemų ir realaus darbo krūvio rodo, kad mūsų požiūris yra bendras, veiksmingas, greitas ir paprastas naudoti.

Mašinų mokymosi samprata remiasi pamatais, pastatytais iš piliakalnių ir informacijos piliakalnių. Tai gali būti naudinga mokyti robotams ar dirbtiniams inteleklams tam tikrus ryšius - pavyzdžiui, jei sunkiųjų kailio žmogus naudojasi kirviu, jis gali būti gaisrininkas. Tačiau šiuose mokymuose, remiantis duomenimis, gali atsirasti klaidingų ryšių. Jūsų robotas gali manyti, kad visi gaisrininkai turi barzdas. Tai, žinoma, yra tai, ko norite, kad kompiuteris būtų nesupraskite.

„Cao“ ir „Yang“ grindžia šią robotų informacinio atskyrimo idėją apie duomenų linijos sąvoką - kad duomenys nesukuria visiškai suformuotų į pasaulį, bet turi atsekamąją istoriją, nes apdorojami neapdoroti duomenys, pastabos Kurzweil A.I. Naudojant šią liniją, mašinos gali atsiimti pasirinktas duomenų dalis, visiškai nuvalydamos jų išsilavinimą.