Datoru zinātnieki vēlas, lai roboti aizmirstu sliktos datus

Kad “slikti” dati tiek iesūkti mašīnmācības sistēmā - tas ir, kā Alans Greenspans to apsprieda, apspriežot datormodeļus, kas nespēja prognozēt 2008. gada lejupslīdi - šī informācija var būt grūti izjaukt. Bet jaunā koncepcija, ko ierosināja datorzinātnieki Junfeng Yang un Yinzhi Cao, no Kolumbijas Universitātes un Lehigh Universitātes, rada ideju par mācīšanās trūkumu datoriem. Kā Cao un Yang raksta abstraktā, kas publicēts 2015. gada IEEE Xplore konferencē, jums nav jādodas atpakaļ uz kvadrātveida, lai aizmirstu:

Lai aizmirstu mācību datu paraugu, mūsu pieeja vienkārši atjauno nelielu skaitu summējumu - asimptotiski ātrāk nekā pārkvalificēšanās no nulles. Mūsu pieeja ir vispārīga, jo summēšanas forma ir no statistiskās informācijas mācīšanās, kurā var realizēt daudzus mašīnmācību algoritmus. Mūsu pieeja attiecas arī uz visiem mašīnmācības posmiem, ieskaitot funkciju izvēli un modelēšanu. Mūsu novērtējums par četrām dažādām mācību sistēmām un reālām darba slodzēm liecina, ka mūsu pieeja ir vispārēja, efektīva, ātra un viegli lietojama.

Mašīnmācības jēdziens balstās uz pamatiem, kas būvēti no pilskalniem un informācijas pilskalniem. Tas var būt noderīgi, lai mācītu robotus vai mākslīgus inteliģentus, lai izveidotu noteiktus savienojumus - piemēram, ja indivīds smagā mētelī izmanto cirvi, viņš vai viņa varētu būt ugunsdzēsējs. Bet šajās apmācībās, pamatojoties uz datu kopu, var rasties kļūdaini savienojumi. Jūsu robots varētu domāt, ka visiem ugunsdzēsējiem ir bārdas. Tas, protams, ir tāds, ko vēlaties, lai dators būtu unthink.

Cao un Yang pamato šo robotu informatīvās atsaistīšanas ideju par datu līnijas jēdzienu - ka dati nav pavasarī pilnībā izveidoti pasaulē, bet tiem ir izsekojama vēsture, jo neapstrādāti dati tiek apstrādāti, piezīmes Kurzweil A.I. Izmantojot šo ciltsrakstu, mašīnas var atteikties no izvēlētās datu daļas, pilnībā nezaudējot to izglītību.