ИИ-алгоритм, имитирующий детское познание мира, оказалось сложнее запутать

Чтобы правильно установить эту градацию, исследователи сначала показали нейросети обучающие данные с окончательными подробными метками. Затем они получили так называемую матрицу ошибок: она показала категории изображений, которые алгоритму было сложнее всего различить. Это позволило ученым выделить этапы обучения: на ранних стадиях похожие категории входили в одну группу, но потом начинали постепенно разделяться.

В тестах использовали несколько популярных наборов данных для классификации изображений. Новый подход почти всегда оказывался успешнее, чем традиционный. В лучшем случае точность распознавания увеличивалась до 7%.

Хотя этот подход не применялся раньше, сама идея не нова. Обучение нейросети с возрастающей сложностью известно как «курсовое обучение» и существует с 1990-х годов. Но дело в том, что раньше нейросети показывали разные подмножества данных, а не одни и те же данные с разными метками.

Сегодня подавляющее большинство исследований глубокого обучения сосредоточено на размере выборки: считается, что нейросети трудно различать объекты, если ей не предоставили достаточно примеров. Но имитация детского познания мира позволила получать лучшие результаты с таким же набором данных. В перспективе это поможет создать алгоритмы, которые будут более эффективными с точки зрения обучения.

Источник.