人工智能如何應對類別變化
發布時間：2024-08-02 14:10:27來源：
現實世界對人工智能任務提出了許多挑戰。其中一個挑戰是要求機器能夠識別并快速學習它們從未見過的新物體。無論是機器人識別雜貨店的新產品，還是自動駕駛汽車與新路標或周圍物體互動，一個能夠應對變化的人工智能對于快速適應動態現實都大有裨益。
巴伊蘭大學的研究人員發現了一條新的普遍規律，詳細說明了人工神經網絡如何處理越來越多的識別類別。該規律表明，此類網絡的識別錯誤率如何隨著所需識別對象的數量而增加。
我們發現，這一規律適用于淺層和深層神經網絡架構，這表明，與大腦網絡相似的淺層網絡可以模仿深層網絡的功能。淺層寬闊的架構可以像深層窄窄的架構一樣發揮出色性能，就像一棟寬闊的低層建筑可以容納與一棟窄窄的摩天大樓相同數量的居民一樣。
今天，巴伊蘭大學物理系和貢達(Goldschmied)多學科腦研究中心的 Ido Kanter 教授領導的研究小組在《Physica A》雜志上發表了一項研究成果，揭示了這一新定律，即縮放定律 。
本科生、這項研究的主要貢獻者埃拉·科雷什 (Ella Koresh) 強調了這一發現的實際意義。“這是一個重大進步，因為深度學習最關鍵的方面之一是延遲——網絡處理和識別對象所需的時間。隨著網絡變得越來越深，延遲會增加，導致模型響應延遲，而淺層大腦啟發網絡的延遲更低，響應更快，”她解釋道。
降低人工智能系統的延遲對實時決策過程具有深遠的影響。此外，本研究引入的縮放定律對于標簽數量動態變化的學習場景至關重要。
免責聲明：本答案或內容為用戶上傳，不代表本網觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關內容。 如遇侵權請及時聯系本站刪除。
