Google-onderzoekers hebben een nieuw alternatief voor traditionele neurale netwerken

Categorie: Kunstmatige intelligentie Geplaatst 01 november

Zeg hallo tegen het capsulenetwerk.

AI heeft de afgelopen jaren een enorme groei doorgemaakt en veel van dat succes is te danken aan diepe neurale netwerken, die de slimheid bieden achter indrukwekkende trucs zoals beeldherkenning. Maar er is een groeiende bezorgdheid dat sommige van de fundamentele principes die deze systemen zo succesvol hebben gemaakt, misschien niet in staat zullen zijn om de grote problemen waarmee AI wordt geconfronteerd, op te lossen. ga hier dieper op in, bekijk onze functie 'Is AI Riding a One-Trick Pony?').

Google's Geoff Hinton lijkt een van degenen te zijn die zich zorgen maken over de toekomst van AI. Als Bedrade rapporten , heeft Hinton een nieuwe kijk op traditionele neurale netwerken onthuld die hij capsulenetwerken noemt. In een paar nieuwe papieren - een gepubliceerd op de arXIv , de andere op OpenReview —Hinton en een handvol collega's leggen uit hoe ze werken.

Hun aanpak maakt gebruik van kleine groepen neuronen, gezamenlijk bekend als capsules, die in lagen zijn georganiseerd om dingen in video of afbeeldingen te identificeren. Wanneer meerdere capsules in één laag het erover eens zijn iets te hebben gedetecteerd, activeren ze een capsule op een hoger niveau - enzovoort, totdat het netwerk een oordeel kan vellen over wat het ziet. Elk van die capsules is ontworpen om een ​​specifiek kenmerk in een afbeelding op zo'n manier te detecteren dat deze ze in verschillende scenario's, zoals vanuit verschillende hoeken, kan herkennen.

Hinton beweert dat de aanpak, die al tientallen jaren in de maak is, zijn netwerken in staat moet stellen om objecten in nieuwe situaties te herkennen met minder gegevens dan reguliere neurale netwerken moeten gebruiken.

In de tot nu toe gepubliceerde artikelen is aangetoond dat capsulenetwerken gelijke tred houden met reguliere neurale netwerken als het gaat om het identificeren van handgeschreven karakters, en ze maken minder fouten wanneer ze eerder waargenomen speelgoed vanuit verschillende hoeken proberen te herkennen. Maar voorlopig zijn ze in ieder geval nog steeds een beetje langzamer dan hun traditionele tegenhangers.

Nu komt het interessante deel. Zullen deze systemen een aantrekkelijk alternatief bieden voor traditionele neurale netwerken, of zullen ze vastlopen? We kunnen verwachten dat de machine-learninggemeenschap het werk uitvoert, en snel, om erachter te komen. Hoe dan ook, degenen die zich zorgen maken over de beperkingen van de huidige AI-systemen kunnen gesterkt worden door het feit dat onderzoekers de grenzen verleggen om nieuwe deep learning-alternatieven te bouwen.