[ad_1]
(noticias nanowerk) El aprendizaje profundo (DL) realiza tareas de clasificación utilizando una serie de capas. Para llevar a cabo estas tareas de manera efectiva, las decisiones locales se toman de manera incremental a lo largo de las capas. Pero, ¿podemos tomar una decisión general eligiendo el camino más influyente para gastar en lugar de tomar esas decisiones a nivel local?
En un artículo publicado en Informes Científicos (“Mejorar la precisión al tomar decisiones de agrupación adyacentes a la capa de salida”), los investigadores de la Universidad Bar Ilan en Israel responden a esta pregunta con un rotundo “sí”. Las arquitecturas profundas existentes se han mejorado actualizando las rutas más influyentes hacia la salida.
“Puedes pensar en ello como si dos niños intentaran escalar una montaña con muchos giros y vueltas. Uno de ellos elige la ruta local más rápida en cada cruce, mientras que el otro, con binoculares, ve toda la ruta por delante y elige la ruta más corta y significativa, al igual que Google Maps o Waze. El primer niño puede tener una ventaja, pero el segundo ganará al final”, afirmó el profesor Ido Kanter del Departamento de Física de Bar-Ilan y del Centro Multidisciplinario de Investigación del Cerebro Gonda (Goldschmied). quien dirigió la investigación.
«Este descubrimiento puede allanar el camino para mejorar el aprendizaje de la IA al elegir el camino más significativo», añadió Yarden Tzach, estudiante de posgrado y uno de los contribuyentes clave a este trabajo.
Esta exploración de una comprensión más profunda de los sistemas de IA realizada por el Prof. Kanter y su equipo de investigación experimental dirigido por el Dr. Roni Vardi tiene como objetivo cerrar la brecha entre el mundo biológico y el aprendizaje automático, creando un sistema de inteligencia artificial avanzado y mejorado. Hasta ahora, han encontrado evidencia de una adaptación dendrítica eficiente utilizando cultivos neuronales y también han encontrado formas de traducir estos conocimientos en aprendizaje automático. Mostraron cómo las redes superficiales pueden competir con las redes profundas y encontraron el mecanismo subyacente al aprendizaje profundo exitoso.
Mejorar las arquitecturas existentes con decisiones globales puede allanar el camino para una IA mejorada, que puede mejorar sus tareas de clasificación sin requerir capas adicionales.
[ad_2]