Yapay Zekada Yeni Adım: Transfer Öğrenimi İçin Gelişmiş Matematiksel Model
Donders Sinirbilim Enstitüsü’nde araştırmacı olan Alessandro Ingrosso, iki İtalyan araştırma kurumundaki meslektaşlarıyla işbirliği içinde, sinir ağlarında transfer öğrenmenin etkinliğinin tahmin edilmesini sağlayan yeni bir matematiksel yöntem geliştirdi.
Sınırlı veri sorunu
Yapay zeka sistemleri genellikle büyük miktarda veri ile eğitilir. Bir resimdeki köpeği tanımlamak üzere eğitilmiş bir görüntü tanıma sistemi düşünün. Bu ağı büyük miktarlarda köpek fotoğrafıyla eğiterek, ağ yeni görüntülerde bir köpeği yüksek doğrulukla tanımlamayı öğrenir.
Ancak bazı uygulamalar için yeterli eğitim verisi mevcut değildir. Ingrosso, “Tıp sektöründe, örneğin ultrason yoluyla kanser teşhisi yapılırken, bir sinir ağını düzgün bir şekilde eğitmek için yeterli örnek mevcut değildir” diye açıklıyor.
“Bu, ağın yeni, görülmemiş vakalar üzerinde genelleme yapmada başarısız olduğu ‘aşırı uyum’a yol açar. Yanlış pozitiflerin ve yanlış negatiflerin sayısı çok fazla olabilir.”
Araştırmacılar bu sorunu çözmek için, büyük bir veri kümesi (“kaynak”) üzerinde eğitilen bir ağdaki bilginin sınırlı veri üzerinde eğitilen yeni bir ağa (“hedef”) aktarıldığı bir teknik olan “transfer öğrenme” üzerine odaklandılar.
Ingrosso, “Bu transfer öğrenme yaklaşımı için en basit modeli inceledik ve tek gizli katmanlı ağlar için matematiksel bir teori geliştirdik” diyor.
Analitik yöntemlerin yenilikçi kombinasyonu
Araştırmacılar bu teoride iki farklı analitik yöntemi birleştirdi: yakın zamanda geliştirilen “Kernel Renormalization” yaklaşımı ve Spin Camları teorisinden klasik “Franz-Parisi” formalizmi. Bu tür araçların birleştirilmesi, istatistiksel modeller veya yaklaşımlar yerine belirli, gerçek veri kümeleriyle çalışmayı mümkün kılıyor.
Ingrosso ekliyor: “Yeni yöntemimiz, hedef ağın kaynak ağdan bilgi aldığında verileri genelleştirmede ne kadar etkili olacağını doğrudan ve doğru bir şekilde tahmin edebilir.”
Bu araştırma, tıbbi teşhis ve diğer özel uygulamalar gibi verilerin az olduğu alanlarda yapay zeka sistemlerinin etkili eğitimi için önemli yeni bilgiler sağlıyor.
Kaynak: https://techxplore.com
Daha Fazla:
Işık Hızında Öğrenen İlk Yapay Zekâ Geliştirildi
Penn’deki mühendisler, yapay zeka eğitimini önemli ölçüde hızlandırabilecek, enerji tüketimini azaltabilecek ve potansiyel olarak tamamen ışıkla çalışan bilgi işlem sistemlerine yol açabilecek büyük bir atılım olan ışığı kullanarak doğrusal olmayan sinir ağlarını eğitebilen ilk programlanabilir çipi geliştirdiler.
Elektriğe dayanan geleneksel yapay zeka çiplerinin aksine, bu yeni çip fotoniktir, yani hesaplamaları ışık demetleri kullanarak gerçekleştirir. Nature Photonics dergisinde yayınlanan araştırma, çipin modern yapay zeka için gerekli olan karmaşık doğrusal olmayan işlemleri yürütmek için ışığı nasıl manipüle ettiğini gösteriyor.