Desbloqueando el poder de la diversidad en las redes neuronales cómo las neuronas adaptativas superan a la homogeneidad en la clasificación de imágenes y la regresión no lineal
El poder de la diversidad en las redes neuronales neuronas adaptativas en clasificación de imágenes y regresión no lineal
Una red neuronal es un método en inteligencia artificial que enseña a las computadoras a procesar datos de una manera inspirada en el cerebro humano. Utiliza nodos o neuronas interconectadas en una estructura en capas que se asemeja al cerebro humano. Las neuronas artificiales se organizan en capas para formar redes neuronales, que se utilizan para diversas tareas como reconocimiento de patrones, clasificación, regresión y más. Estas neuronas forman conexiones sólidas al alterar los pesos numéricos y los sesgos durante las sesiones de entrenamiento.
A pesar de los avances de estas redes neuronales, tienen una limitación. Están formadas por un gran número de neuronas de tipos similares. El número y la fuerza de las conexiones entre esas neuronas idénticas pueden cambiar hasta que la red aprenda. Sin embargo, una vez que la red está optimizada, estas conexiones fijas definen su arquitectura y funcionamiento, que no se pueden cambiar.
Consecuentemente, los investigadores han desarrollado un método que puede mejorar las capacidades de la inteligencia artificial. Permite que la inteligencia artificial se mire hacia adentro y ajuste finamente su red neuronal. Los estudios han demostrado que diversificar las funciones de activación puede superar limitaciones y permitir que el modelo funcione de manera eficiente.
Probaron la inteligencia artificial en diversidad. William Ditto, profesor de física en la Universidad Estatal de Carolina del Norte y director del Laboratorio de Inteligencia Artificial No Lineal (NAIL) de NC State, dijo que han creado un sistema de prueba con una inteligencia no humana, una inteligencia artificial (IA), para ver si la IA elegiría la diversidad en lugar de la falta de diversidad y si esa elección mejoraría el rendimiento de la IA. Además, dijo que la clave era permitir que la IA se mire hacia adentro y aprenda cómo aprende.
- Más allá de la curva de campana una introducción a la distribución t
- Monitoreo de modelos de Machine Learning en producción ¿Por qué y c...
- Entendiendo a fondo las puntuaciones de AUC ¿Cuál es el punto?
Las redes neuronales que permiten que las neuronas aprendan sus funciones de activación de manera autónoma tienden a exhibir una rápida diversificación y un mejor rendimiento que sus contrapartes homogéneas en tareas como la clasificación de imágenes y la regresión no lineal. Por otro lado, el equipo de Ditto otorgó a su IA la capacidad de determinar de manera autónoma el número, la configuración y la fuerza de las conexiones entre las neuronas en su red neuronal. Este enfoque permitió la creación de subredes compuestas por varios tipos de neuronas y fuerzas de conexión dentro de la red a medida que aprendía.
Ditto dijo que le dieron a la IA la capacidad de mirar hacia adentro y decidir si necesitaba modificar la composición de su red neuronal. Básicamente, le dieron la perilla de control para su cerebro. Así que puede resolver el problema, mirar el resultado y cambiar el tipo y la mezcla de neuronas artificiales hasta encontrar la más ventajosa. Lo llamó meta-aprendizaje para IA. Su IA también podía decidir entre neuronas diversas u homogéneas. Además, dijo que descubrieron que la IA siempre elegía la diversidad para fortalecer su rendimiento.
Los investigadores probaron el sistema en una tarea de clasificación numérica estándar y descubrieron que la precisión del sistema aumentaba con el aumento de las neuronas y la diversidad. Los investigadores dijeron que la IA homogénea logró una tasa de precisión del 57% en la identificación de números, mientras que la IA diversa y de meta-aprendizaje logró una impresionante precisión del 70%.
Los investigadores dijeron que en el futuro podrían centrarse en mejorar el rendimiento optimizando la diversidad aprendida mediante el ajuste de hiperparámetros. Además, aplicarán la diversidad adquirida a un espectro más amplio de tareas de regresión y clasificación, diversificarán las redes neuronales y evaluarán su robustez y rendimiento en diversos escenarios.
