مخبر - 1398/02/23 - یادگیری عمیق به درک چگونگی عملکرد جهان کمک می کند

یادگیری عمیق به درک چگونگی عملکرد جهان کمک می کند
یک محقق در کنفرانس تحقیقات هوش مصنوعی نشان داد که چگونه می توان از تکنیک های موجود هوش مصنوعی، برای تحلیل روابط علت ومعلولی در داده ها کمک گرفت.
یادگیری عمیق به درک چگونگی عملکرد جهان کمک می کند

این هفته، جامعه ی محققین هوش مصنوعی به مناسبت کنفرانس بین المللی دستاوردهای یادگیری (ICLR که آی کلیر «eye-clear» تلفظ می شود)، در نیواورلئان ( New Orleans) دور هم جمع شدند. این کنفرانس، یکی از گردهمایی های بزرگ سالانه ی محققین این حوزه محسوب می شود. مشارکت 3 هزار محقق و ارائه 1500 مقاله، این همایش را به یکی از مهم ترین رویدادهای تبادل ایده ها در حوزه یادگیری عمیق تبدیل می کند.عمده ی مقالات پذیرفته شده و سخنرانی های همایش امسال، پیرامون حل وفصل چهار چالش مهم یادگیری عمیق (Deep learning)، یعنی نااُریب بودن (به صفر رساندن ضریب خطای عملکرد)، امنیت، تعمیم پذیری و علیت هستند. در این مقاله، از بحث پیرامون چگونگی اریب داری و مستعدبودن الگوریتم های یادگیری مایشن (machine-learning) فعلی برای حملات خراب کارانه و محدودشدن ناباورانه ی آن ها، به تواناییشان در تعمیم الگوهایی که در داده های آموزشی، برای اپلیکیشن های چندگانه پیدا می کنند، صرف نظر شده و به چالش نهایی یعنی «علیت»پرداخته می شود؛ چراکه درحال حاضر نیز، جامعه ی یادگیری ماشین مشغول توسعه ی این فناوری جهت برطرف کردن ضعف های یادشده است.«علیت» موضوعی است که برای مدت طولانی، ذهن محققین را به خود مشغول کرده است. یادگیری ماشین، توانایی زیادی در پیداکردن همبستگی داده ها دارد؛ اما آیا می تواند روابط علت و معلولی در داده ها را نیز کشف کند؟چنین دستاوردی می تواند نقطه ی عطف بزرگی باشد؛ چراکه اگر الگوریتم ها بتوانند درمورد علل و اثرات پدیده های مختلف در سیستم های پیچیده به ما کمک کنند، فهم ما از جهان را عمیق تر می کنند و ابزار قدرتمندی برای تاثیرگذاری در آن، دراختیار ما قرار می دهند.لئون بوتو (Léon Bottou)، محقق تحسین شده ی واحد تحقیقات هوش مصنوعی فیسبوک و دانشگاه نیویورک، در نشست روز دوشنبه، چارچوبی از چگونگی دستیابی به هدف فوق ارائه کرد. در ادامه، خلاصه ای از نظرات او را با هم می خوانیم.نظریه ی نخست: روش جدیدی برای اندیشیدن پیرامون علیتاولین نظریه ی مهم بوتو به شرح زیر است: فرض کنید می خواهید یک سیستم بینایی کامپیوتری طراحی کنید که بتواند اعداد دست نویس را شناسایی کند (این یک مسئله مقدماتی کلاسیک است که به طور گسترده در مجموعه داده های «MNIST» که در تصویر زیر مشاهده می کنید، استفاده می شود). می توانید با یک شبکه ی عصبی (neural-network)، روی مجموعه ی گسترده ای از تصاویر اعداد دست نویس، که هر کدام با عدد نشان داده شده در تصویر علامت گذاری شده اند، شروع کنید ودر پایان سیستم مناسبی داشته باشید که قادر باشد تصاویری را که قبلا مشاهده نکرده است، شناسایی کند.

مجموعه داده MNIST

مجموعه داده ی MNIST اما دوباره فرض کنید که مجموعه داده ی شما کمی تغییر کرده است و هر کدام از اعداد دست نویس دارای رنگ های قرمز یا سبز هستند. تصور کنید نمی دانید کدام یک از دو روش رنگ یا شکل علامت گذاری، پیش بینی کننده ی بهتری برای عدد نوشته شده در تصویر است. روش استانداردی که امروزه به کار گرفته می شود، این است که هر بخش از مجموعه ی داده ها را به هر دو شکل فوق، برچسب گذاری کند و به شبکه ی عصبی می دهند تا تصمیم بگیرد.

مجموعه داده رنگی MNIST

مجموعه داده ی رنگی MNIST در این صورت، بحث جالب خواهد شد. مجموعه ی داده ی «MNIST رنگی» گمراه کننده تلقی می شود؛ چراکه در جهان واقعی، رنگ عدد کاملا بی معنی است، اما در این مجموعه داده ی خاص، رنگ، پیش بینی کننده ی بسیار بهتری نسبت به «شکل» است. بنابراین، شبکه ی عصبی ما یاد می گیرد که از رنگ به عنوان پیش بینی کننده ی اصلی استفاده کند. تا زمانی که از این شبکه ی عصبی برای شناسایی اعداد دست نویس دیگری استفاده کنیم که از الگوی رنگ مشابهی پیروی می کنند، این روش جواب می دهد؛ اما اگر رنگ ها را عوض کنیم، عملکرد سیستم کاملا افت پیدا می کند (بوتو این آزمایش را با داده های واقعی و شبکه ی عصبی واقعی انجام داد، در حالت اول میزان تشخص درست 84/3 درصد و در حالت دوم تنها 10 درصد بود).به عبارت دیگر، این شبکه ی عصبی به نظر بوتو یک «همبستگی جعلی» را می سازد؛ که باعث می شود خارج از حوزه ای که آموزش دیده است، کاملا بی فایده باشد. در حالت نظری، اگر شما بتوانید همه ی همبستگی های جعلی را در یک مدل یادگیری ماشین از بین ببرید، تنها با حالت های «ثابتی» مواجه خواهید بود؛ حالت هایی که بی توجه به زمینه همواره درست هستند.بوتو اضافه می کند که درعوض، ثبات به شما اجازه می دهد تا علیت را درک کنید. اگر ویژگی های ثابت یک سیستم را بدانید و از مداخله ای که روی سیستم صورت گرفته است، اطلاع داشته باشید؛ باید بتوانید نتیجه این مداخله را حدس بزنید. مثلا، اگر بدانید همیشه شکل یک عدد دست نویس معنی آن را تعیین می کند، می توانید نتیجه بگیرید که تغییرشکل آن (علت)، معنای آن (معلول) را تغییر می دهد. به عنوان مثال دیگر، اگر بدانید تمام اشیاء از قانون گرانش تبعیت می کنند، می توانید نتیجه بگیرید که اگر توپی را رها کنید (علت)، به زمین خواهد افتاد (معلول).بدیهی است که این ها، مثال های ساده ای از روابط علت و معلولی بر پایه ی ویژگی های ثابت هستند که هم اکنون نیز می دانیم؛ اما چگونه می توانیم این ایده را به سیستم های پیچیده ای که هنوز درک نمی کنیم تعمیم دهیم؟ به عنوان مثال، اگر می توانستیم ویژگی های ثابت سیستم های اقتصادی را پیدا کنیم، قادر می شدیم اثرات پیاده سازی سیاست درآمد پایه ی جهانی را درک کنیم؛ یا با یافتن ویژگی های ثابت سیستم آب وهوای جهان، اثرات اقدامات مهندسی آب وهوای (geoengineering) مختلف را ارزیابی کنیم. نظریه ی دوم: رهایی از شر همبستگی جعلیچگونه می توان از شر همبستگی جعلی رها شد؟ جواب این سؤال در نظریه ی مهم دیگر بوتو نهفته است. در آموزش یادگیری ماشین کنونی مرسوم است که داده های متنوع و مختلف را تا حد ممکن، در داخل یک مجموعه ی آموزشی قرار می دهند. اما به نظر بوتو، این روش می تواند زیان بار باشد و داده هایی که از زمینه های مختلف، چه از نظر زمانی و چه مکانی یا در شرایط آزمایشی مختلف جمع می شوند، به جای ترکیب شدن باید به عنوان مجموعه های مستقلی درنظر گرفته شوند؛ چراکه در صورت ترکیب شدن، همان طور که اکنون معمول است، اطلاعات ضمنی مختلفی از بین می روند و احتمال نمایان شدن همبستگی های جعلی افزایش پیدا می کند.مقاله های مرتبط:

  • یادگیری ماشین شکاف بین دانش و درک را عمیق می کند
  • چگونه سیستم های یادگیری ماشین ما را غافلگیر می کنندآموزش شبکه ی عصبی با چندین مجموعه داده با زمینه ی منحصر به فرد، بسیار متفاوت می شود. دیگر شبکه نمی تواند همبستگی هایی را که فقط در یک مجموعه ی داده صدق می کنند پیدا کند؛ درعوض باید همبستگی هایی را بیابد که در بین همه ی مجموعه داده ها ثابت هستند. اگر آن مجموعه داده ها به صورت هوشمندانه، از طیف گسترده ای از زمینه ها انتخاب شده باشند، همبستگی نهایی باید با خواص ثابت حقیقت پایه، همخوانی نزدیکی داشته باشد.اجازه دهید بار دیگر به مثال ساده ی MNIST رنگی برگردیم. بوتو به منظور تشریح نظریه ی خود برای پیدا کردن ویژگی های ثابت، آزمایش اصلی خود را دوباره اجرا کرد. این بار، او دو مجموعه داده ی MNIST رنگی با دو الگوی رنگ متفاوت را استفاده کرد، سپس به شبکه ی عصبی خود آموزش داد تا یک همبستگی که در هر دو گروه صادق است را پیدا کند. وقتی بوتو این مدل بهبودیافته را برای اعداد جدید با الگوهای رنگی یکسان و متفاوت آزمایش کرد، میزان تشخیص درست برای هر دو حالت 70 درصد شد. نتایج نشان داد که شبکه ی عصبی یاد گرفته است رنگ را نادیده بگیرد و تنها روی شکل علامت گذاری تمرکز کند.بوتو می گوید کارش روی این نظریه ها تمام نشده است و مدتی طول خواهد کشید تا جامعه ی محققین این تکنیک ها را روی مسائل پیچیده تر از اعداد رنگی نیز آزمایش کند. اما چارچوب کلی این آزمایش به ظرفیت یادگیری عمیق جهت کمک به درک چرایی اتفاق افتادن حوادث و افزایش کنترل ما روی سرنوشتمان اشاره دارد.

  • محتوای این خبر به صورت خودکار از سایتهای مورد تایید ج.ا دریافت شده و بدون هیچ دخل و تصرفی نمایش داده می شود. اگر به هر دلیلی نیاز است که خبر حذف شود، لطفا از این لینک استفاده نمایید تا در اسرع وقت اقدام شود.
    اخبار مرتبط




     |  درباره ما |  ارتباط با ما |  تبلیغات |  آخرین پستها |  تیتراخبار |  خبرگزاریها |  صفحه اصلی | 

    مخبر جامعترین و بزرگترین سایت جمع آوری اخبار ایران می باشد که توسط موتور هوشمند جمع آوری و پیش پردازش اخبار هزاران فید خبری را جمع آوری نموده و در اختیار مخاطبان قرار می دهد.
    مخبر هیچگونه مسئولیتی در قبال محتوای منتشر شده نخواهد داشت.