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.
    کلیدواژه های این خبر
    فناوری   هوش مصنوعی   کارانه   کنفرانس بین المللی   یادگیری   الگوریتم   بینایی   برطرف کردن   اپلکیشن   عصبی   گمراه   مقاله   تلفظ   نیویورک   پیش بینی  
    اخبار مرتبط
    چگونه از عملکرد مخرب هوش مصنوعی پیشگیری کنیم؟
    آی تابناک
    ال جی با تراشه هوش مصنوعی در پی هوشمندکردن خانه ها است
    زومیت
    بینایی ماشین، ابزاری برای مبارزه با انواع آفت های محصولات کشاورزی
    زومیت
    کفش دلخواه خود را با"واقعیت افزوده" انتخاب کنید
    ایران آنلاین
    هوش مصنوعی گوگل تبعیض آمیز نیست
    ایران آنلاین
    گوگل تبعیض را از هوش مصنوعی پاک می کند
    عصر ایران
    گوگل تبعیض را از هوش مصنوعی پاک می کند
    خبرآنلاین
    گوگل تبعیض را از هوش مصنوعی پاک می کند
    ایسنا
    5 شگفتی تکنولوژی سال به روایت بیل گیتس
    برترین ها
    گوگل دیتاست آموزش هوش مصنوعی با 5 میلیون عکس منظره عرضه کرد
    زومیت
    هوش مصنوعی IBM با اسکن چشم، گلوکوم را تشخیص می دهد
    زومیت
    یادگیری ماشین شکاف بین دانش و درک را عمیق می کند
    زومیت
    شعله های آتش سوزی کلیسای نوتردام در دنیای مجازی
    ایران آنلاین
    5 اپلیکیشن برای ثبت سلفی های متفاوت و جذاب
    اخبار بانک
    اپل دانشمند ارشد هوش مصنوعی گوگل را استخدام کرد
    عصر ایران
    5 اپلیکیشن برای ثبت سلفی های متفاوت و جذاب
    برترین ها
    بازتولید دروغ؛ چگونه فناوری تاریخ ما را تحریف خواهد کرد؟
    زومیت
    گوگل دسترسی زودهنگام یوتیوب موزیک را برای کاربران فعال کرد
    زومیت
    مهارت آموزی هوش مصنوعی با نگاه به رفتار انسان
    موبنا
    معرفی اپلیکیشن هوشمند گوگل نیوز برای خبررسانی
    تیتر امروز
    مایکروسافت ابزارهای جدید هوش مصنوعی آژور را برای توسعه دهندگان رونمایی کرد
    زومیت
    پلتفرم اج هوشمندتر می شود
    زومیت
    هوش مصنوعی و رابطه میان حرکات چشم و شخصیت
    بهار نیوز
    هوش مصنوعي سرعت کشف شيشه فلزي را بالا مي برد
    زومیت
    آيا فناوري از رنج ديابت مي کاهد؟
    صبح تهران
    6تاثيرهوش مصنوعي درزندگي آينده
    ناطقان نیوز
    آيا فناوري از رنج ديابت مي کاهد؟
    پارسینه
    آيا فناوري از رنج ديابت مي کاهد؟
    نسیم
    آيا فناوري از رنج ديابت مي کاهد؟
    سلامت نیوز
    شش تاثير هوش مصنوعي در زندگي آينده شما
    شعار سال
    آيا فناوري از رنج ديابت مي کاهد؟
    تدبیر 24
    فناوري به دنبال کاهش درد ديابت
    سایت جماران
    تاثير هوش مصنوعي در زندگي آينده انسان ها
    شفا آنلاین
    6 تاثير هوش مصنوعي در زندگي آينده شما+تصاوير
    الف
    6 تاثير انقلابي هوش مصنوعي بر آينده
    صدای ایران
    6 تاثير هوش مصنوعي در زندگي آينده انسان ها
    جمهوریت
    6 تاثير هوش مصنوعي در زندگي آينده انسان ها +تصاوير
    وبگردی 20:30
    6 تاثير هوش مصنوعي در زندگي آينده انسان ها
    رکنا نیوز
    هوش مصنوعي گوگل خطر بيماري قلبي را با اسکن چشم تشخيص مي دهد
    زومیت
    اخبار مرتبط
    bltآی تابناک : چگونه از عملکرد مخرب هوش مصنوعی پیشگیری کنیم؟
    bltزومیت : ال جی با تراشه هوش مصنوعی در پی هوشمندکردن خانه ها است
    bltزومیت : بینایی ماشین، ابزاری برای مبارزه با انواع آفت های محصولات کشاورزی
    bltایران آنلاین : کفش دلخواه خود را با"واقعیت افزوده" انتخاب کنید
    bltایران آنلاین : هوش مصنوعی گوگل تبعیض آمیز نیست
    bltعصر ایران : گوگل تبعیض را از هوش مصنوعی پاک می کند
    bltخبرآنلاین : گوگل تبعیض را از هوش مصنوعی پاک می کند
    bltایسنا : گوگل تبعیض را از هوش مصنوعی پاک می کند
    bltبرترین ها : 5 شگفتی تکنولوژی سال به روایت بیل گیتس
    bltزومیت : گوگل دیتاست آموزش هوش مصنوعی با 5 میلیون عکس منظره عرضه کرد
    bltزومیت : هوش مصنوعی IBM با اسکن چشم، گلوکوم را تشخیص می دهد
    bltزومیت : یادگیری ماشین شکاف بین دانش و درک را عمیق می کند
    bltایران آنلاین : شعله های آتش سوزی کلیسای نوتردام در دنیای مجازی
    bltاخبار بانک : 5 اپلیکیشن برای ثبت سلفی های متفاوت و جذاب
    bltعصر ایران : اپل دانشمند ارشد هوش مصنوعی گوگل را استخدام کرد
    bltبرترین ها : 5 اپلیکیشن برای ثبت سلفی های متفاوت و جذاب
    bltزومیت : بازتولید دروغ؛ چگونه فناوری تاریخ ما را تحریف خواهد کرد؟
    bltزومیت : گوگل دسترسی زودهنگام یوتیوب موزیک را برای کاربران فعال کرد
    bltموبنا : مهارت آموزی هوش مصنوعی با نگاه به رفتار انسان
    bltتیتر امروز : معرفی اپلیکیشن هوشمند گوگل نیوز برای خبررسانی
    bltزومیت : مایکروسافت ابزارهای جدید هوش مصنوعی آژور را برای توسعه دهندگان رونمایی کرد
    bltزومیت : پلتفرم اج هوشمندتر می شود
    bltبهار نیوز : هوش مصنوعی و رابطه میان حرکات چشم و شخصیت
    bltزومیت : هوش مصنوعي سرعت کشف شيشه فلزي را بالا مي برد
    bltصبح تهران : آيا فناوري از رنج ديابت مي کاهد؟
    bltناطقان نیوز : 6تاثيرهوش مصنوعي درزندگي آينده
    bltپارسینه : آيا فناوري از رنج ديابت مي کاهد؟
    bltنسیم : آيا فناوري از رنج ديابت مي کاهد؟
    bltسلامت نیوز : آيا فناوري از رنج ديابت مي کاهد؟
    bltشعار سال : شش تاثير هوش مصنوعي در زندگي آينده شما
    bltتدبیر 24 : آيا فناوري از رنج ديابت مي کاهد؟
    bltسایت جماران : فناوري به دنبال کاهش درد ديابت
    bltشفا آنلاین : تاثير هوش مصنوعي در زندگي آينده انسان ها
    bltالف : 6 تاثير هوش مصنوعي در زندگي آينده شما+تصاوير
    bltصدای ایران : 6 تاثير انقلابي هوش مصنوعي بر آينده
    bltجمهوریت : 6 تاثير هوش مصنوعي در زندگي آينده انسان ها
    bltوبگردی 20:30 : 6 تاثير هوش مصنوعي در زندگي آينده انسان ها +تصاوير
    bltرکنا نیوز : 6 تاثير هوش مصنوعي در زندگي آينده انسان ها
    bltزومیت : هوش مصنوعي گوگل خطر بيماري قلبي را با اسکن چشم تشخيص مي دهد
    پستهای شبکه های اجتماعی 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.