Sukūrusi vienu paspaudimu dėmesį nukreipiančią vartotojo sąsają ir specialiai sukurtą aktyvaus mokymosi strategiją, ši sistema gali tiksliau ir efektyviau apmokyti DNN. Kreditas: Haoran Xie iš JAIST Per pastaruosius kelerius metus „AI“ tapo pagrindiniu technologijų madingu žodžiu. Galimybė, kad kompiuteris galės atlikti užduotis, kurias galėtų atlikti tik žmogus, yra patraukli mintis.
AI gali būti kuriami naudojant kelis skirtingus metodus, tačiau vienas populiariausių šiuo metu apima giliųjų neuronų tinklų (DNN) naudojimą. Šios struktūros bando imituoti neuroninius ryšius ir smegenų funkcijas ir paprastai yra mokomos duomenų rinkinio prieš jas diegiant realiame pasaulyje. Iš anksto išmokant juos naudoti duomenų rinkinį, DNN galima „išmokyti“ atpažinti vaizdo ypatybes. Taigi, DNN gali būti išmokytas atpažinti vaizdą su, pvz., jame esančiu laivu, mokantis naudotis vaizdų su valtimis duomenų rinkiniu.
Tačiau mokymo duomenų rinkinys gali sukelti problemų, jei jis nėra tinkamai suprojektuotas. Pavyzdžiui, atsižvelgiant į ankstesnį pavyzdį, kadangi valčių vaizdai paprastai daromi, kai valtis yra vandenyje, DNN gali atpažinti tik vandenį, o ne valtį, ir vis tiek pasakyti, kad vaizde yra valtis. Tai vadinama bendro įvykio šališkumu ir yra labai dažna problema, su kuria susiduriama treniruojant DNN.
Norėdami išspręsti šią problemą, tyrėjų komanda, įskaitant Yi He, tyrėją iš Japonijos pažangiojo mokslo ir technologijų instituto (JAIST), vyresnysis dėstytojas Haoranas Xie iš JAIST, docentas Xi Yang iš Jilin universiteto, projekto dėstytojas Chia-Ming Chang. Tokijo universitetas ir profesorius Takeo Igarashi pranešė apie naują „žmogaus kilpoje“ sistemą. Dokumentas, kuriame išsamiai aprašoma ši sistema, buvo paskelbtas 28-osios tarptautinės konferencijos apie intelektualias vartotojo sąsajas medžiaga (ACM IUI 2023).
Prof. Xie sako: „Yra keletas esamų metodų, kaip išspręsti bendro įvykio šališkumą, pertvarkant duomenų rinkinį arba liepiant sistemai sutelkti dėmesį į konkrečias vaizdo sritis. Tačiau duomenų rinkinio pertvarkymas gali būti labai sudėtingas, o dabartiniai žymėjimo metodai dominantys regionai (IG) reikalauja plačių, po pikselių skirtų komentarų, kuriuos atlieka tam pasamdyti žmonės, o tai kainuoja brangiai. Taigi sukūrėme daug paprastesnį dėmesio metodą, padedantį žmonėms nustatyti IG vaizde naudojant paprastą. -click metodas. Tai drastiškai sumažina DNN mokymo laiką ir išlaidas, taigi ir diegimą.
Komanda suprato, kad ankstesni dėmesio nukreipimo metodai buvo neveiksmingi, nes jie nebuvo sukurti kaip interaktyvūs. Taigi jie pasiūlė naują interaktyvų metodą vaizdams komentuoti vienu paspaudimu. Naudotojai tiesiog kairiuoju pelės mygtuku spustelėkite vaizdo dalis, kurias reikia identifikuoti, ir, jei reikia, dešiniuoju pelės mygtuku spustelėkite vaizdo dalis, į kurias turėtų būti nepaisoma.
Taigi, vaizdų su valtimis atveju vartotojai kairiuoju pelės mygtuku spustelėja valtį ir dešiniuoju pelės mygtuku spustelėkite vandenį aplink jį. Tai padeda DNN geriau atpažinti valtį ir sumažina treniruočių duomenų rinkiniams būdingo atsitiktinio šališkumo poveikį. Siekiant sumažinti vaizdų, kuriuos reikia komentuoti, buvo sukurta nauja aktyvaus mokymosi strategija, naudojant Gauso mišinio modelį (GMM).
Ši nauja sistema buvo išbandyta su esamomis tiek skaičiais, tiek vartotojų apklausomis. Skaitmeninė analizė parodė, kad naujasis aktyvaus mokymosi metodas buvo tikslesnis nei bet kuris iš esamų, o vartotojų apklausos parodė, kad paspaudimais pagrįsta sistema sutrumpino laiką, reikalingą IG komentavimui, 27%, o 81% dalyvių pirmenybę teikė jam. kitos sistemos.
Xie sako: „Mūsų darbas gali drastiškai pagerinti neuroninių tinklų perkeliamumą ir aiškinamumą, padidindamas jų tikslumą realaus pasaulio programoms. Kai sistemos priima teisingus ir aiškius sprendimus, tai padidina vartotojų pasitikėjimą dirbtiniu intelektu ir palengvina šių sistemų diegimą. realiame pasaulyje. Taigi mūsų darbas yra skirtas didinti DNN diegimo patikimumą, o tai gali turėti didelės įtakos AI technologijų taikymui ir plėtrai visuomenėje.
Komanda mano, kad jų darbas gali turėti didelę įtaką technologijų pramonei ir artimiausioje ateityje sudaryti sąlygas daugiau pritaikyti dirbtinio intelekto technologijas.
Daugiau informacijos: Yi He ir kt., Veiksminga žmogaus kilpoje sistema, skirta nukreipti DNN dėmesį, 28-osios tarptautinės konferencijos apie intelektualias vartotojo sąsajas medžiaga (2023). DOI: 10.1145/3581641.3584074
Pateikė Japonijos pažangusis mokslo ir technologijų institutas
Citata: Pašalinkite šališkumą: nauja sistema, kad dirbtinio intelekto mokymas būtų lengvesnis ir tikslesnis (2023 m. kovo 31 d.), gauta 2023 m. balandžio 2 d. iš https://techxplore.com/news/2023-03-click-bias-ai-easier-accurate .html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
