Ученым удалось обойти одно из главных ограничений нейросетей

Как отмечает издание, требовательность нейросетей к объему данных, необходимых для успешности глубокого обучения (deep learning), приводит к тому, что сам процесс обучения становится долгим и дорогим. В случае с алгоритмами, которые должны работать быстро – например, с автопилотом самоуправляемой машины, которому необходимо сразу распознавать свое окружение, многочасовое обучение представляется нецелесообразным.

Группа исследователей в Google DeepMind нашла способ обойти это ограничение, добавив нейросетям внешнюю память – таким образом, сделав их более похожими на традиционные компьютеры. Использовав это и еще несколько нововведений, ученые испытали получившуюся нейросеть на базе изображений ImageNet.

Хотя нейросети все же требовалось предварительно проанализировать несколько сотен категорий изображений, после этого она могла учиться распознавать (определять категорию) новых объектов – к примеру, собак – на основе единственного примера. Точность распознавания при этом приближалась к точности обычных нейросетей, которым требуются тысячи примеров.

Опираясь на вспомогательные данные во внешней памяти, такая нейросеть также смогла правильно определять недостающие слова в предложениях, что, по словам исследователей, может оказаться полезным для использования в поисковике Google.

Как отмечает MIT Technology Review, подобные системы разрабатывались и ранее, однако они не были совместимы с глубинным обучением.