پایگاه خبری تحلیلی آریا جوان

آخرين مطالب

یادگیری عمیق به درک چگونگی عملکرد جهان کمک می‌کند فناوري

یادگیری عمیق به درک چگونگی عملکرد جهان کمک می‌کند

  بزرگنمايي:

آریا جوان - یک محقق در کنفرانس تحقیقات هوش مصنوعی نشان داد که چگونه می‌توان از تکنیک‌های موجود هوش مصنوعی، برای تحلیل روابط علت‌ومعلولی در داده‌ها کمک گرفت.

این هفته، جامعه‌ی محققین هوش مصنوعی به‌مناسبت کنفرانس بین‌المللی دستاوردهای یادگیری (ICLR که آی‌کلیر «eye-clear» تلفظ می‌شود)، در نیواورلئان ( New Orleans) دور هم جمع شدند. این کنفرانس، یکی از گردهمایی‌های بزرگ سالانه‌ی محققین این حوزه محسوب می‌شود. مشارکت 3 هزار محقق و ارائه 1500 مقاله، این همایش را به یکی از مهم‌ترین رویدادهای تبادل ایده‌ها در حوزه یادگیری عمیق تبدیل می‌کند. عمده‌ی مقالات پذیرفته‌شده و سخنرانی‌های همایش امسال، پیرامون حل‌وفصل چهار چالش مهم یادگیری عمیق ( Deep learning )، یعنی نااُریب بودن (به صفر رساندن ضریب خطای عملکرد)، امنیت ، تعمیم‌پذیری و علیت هستند. در این مقاله، از بحث پیرامون چگونگی اریب‌داری و مستعدبودن الگوریتم‌های یادگیری مایشن (machine-learning) فعلی برای حملات خراب‌کارانه و محدودشدن ناباورانه‌ی آن‌ها، به تواناییشان در تعمیم الگوهایی که در داده‌‌های آموزشی، برای اپلیکیشن‌های چندگانه پیدا می‌کنند، صرف‌نظر شده و به چالش نهایی یعنی «علیت»پرداخته می‌شود؛ چراکه درحال حاضر نیز، جامعه‌ی یادگیری ماشین مشغول توسعه‌ی این فناوری جهت برطرف‌کردن ضعف‌های یادشده است. «علیت» موضوعی است که برای مدت‌ طولانی، ذهن محققین را به خود مشغول کرده است. یادگیری ماشین، توانایی زیادی در پیداکردن همبستگی داده‌ها دارد؛ اما آیا می‌تواند روابط علت و معلولی در داده‌ها را نیز کشف کند؟ چنین دستاوردی می‌تواند نقطه‌ی عطف بزرگی باشد؛ چراکه اگر الگوریتم‌ها بتوانند درمورد علل و اثرات پدیده‌های مختلف در سیستم‌های پیچیده به ما کمک کنند، فهم ما از جهان را عمیق‌تر می‌کنند و ابزار قدرتمندی برای تاثیرگذاری در آن، دراختیار ما قرار می‌دهند. لئون بوتو (Léon Bottou)، محقق تحسین‌شده‌ی واحد تحقیقات هوش مصنوعی فیسبوک و دانشگاه نیویورک، در نشست روز دوشنبه، چارچوبی از چگونگی دستیابی به هدف فوق ارائه کرد. در ادامه، خلاصه‌ای از نظرات او را با هم می‌خوانیم. نظریه‌ی نخست: روش جدیدی برای اندیشیدن پیرامون علیت
اولین نظریه‌ی مهم بوتو به شرح زیر است: فرض کنید می‌خواهید یک سیستم بینایی کامپیوتری طراحی کنید که بتواند اعداد دست‌نویس را شناسایی کند (این یک مسئله مقدماتی کلاسیک است که به‌طور گسترده در مجموعه‌ داده‌های «MNIST» که در تصویر زیر مشاهده می‌کنید، استفاده می‌شود). می‌توانید با یک شبکه‌ی عصبی (neural-network)، روی مجموعه‌ی گسترده‌ای از تصاویر اعداد دست‌نویس، که هر کدام با عدد نشان‌داده‌شده در تصویر علامت‌گذاری شده‌اند، شروع کنید ودر پایان سیستم مناسبی داشته باشید که قادر باشد تصاویری را که قبلا مشاهده نکرده است، شناسایی کند.
مجموعه داده‌ی MNIST اما دوباره فرض کنید که مجموعه داده‌ی شما کمی‌ تغییر کرده است و هر کدام از اعداد دست‌نویس دارای رنگ‌های قرمز یا سبز هستند. تصور کنید نمی‌دانید کدام‌یک از دو روش رنگ یا شکل علامت‌گذاری، پیش‌بینی‌کننده‌ی بهتری برای عدد نوشته‌شده در تصویر است. روش استانداردی که امروزه به‌کار گرفته می‌شود، این است که هر بخش از مجموعه‌ی داده‌ها را به هر دو شکل فوق، برچسب‌گذاری کند و به شبکه‌ی عصبی می‌دهند تا تصمیم بگیرد.
مجموعه داده‌ی رنگی MNIST در این صورت، بحث جالب خواهد شد. مجموعه‌ی داده‌ی «MNIST رنگی» گمراه‌کننده تلقی می‌شود؛ چراکه در جهان واقعی، رنگ عدد کاملا بی‌معنی است، اما در این مجموعه داده‌ی خاص، رنگ، پیش‌بینی‌کننده‌ی بسیار بهتری نسبت‌به «شکل» است. بنابراین، شبکه‌ی عصبی ما یاد می‌گیرد که از رنگ به‌عنوان پیش‌بینی‌کننده‌ی اصلی استفاده کند. تا زمانی‌که از این شبکه‌ی عصبی برای شناسایی اعداد دست‌نویس دیگری استفاده کنیم که از الگوی رنگ مشابهی پیروی می‌کنند، این روش جواب می‌دهد؛ اما اگر رنگ‌ها را عوض کنیم، عملکرد سیستم کاملا افت پیدا می‌کند (بوتو این آزمایش را با داده‌های واقعی و شبکه‌ی 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 شبکه‌ی عصبی به نظر بوتو یک «همبستگی جعلی» را می‌سازد؛ که باعث می‌شود خارج از حوزه‌ای که آموزش دیده است، کاملا بی‌فایده باشد. در حالت نظری، اگر شما بتوانید همه‌ی همبستگی‌های جعلی را در یک مدل یادگیری ماشین از بین ببرید، تنها با حالت‌های «ثابتی» مواجه خواهید بود؛ حالت‌هایی که بی‌توجه به زمینه همواره درست هستند. بوتو اضافه می‌کند که درعوض، ثبات به شما اجازه می‌دهد تا علیت را درک کنید. اگر ویژگی‌های ثابت یک سیستم را بدانید و از مداخله‌ای که روی سیستم صورت گرفته است، اطلاع داشته باشید؛ باید بتوانید نتیجه این مداخله را حدس بزنید. مثلا، اگر بدانید همیشه شکل یک عدد دست‌نویس معنی آن را تعیین می‌کند، می‌توانید نتیجه بگیرید که تغییرشکل آن (علت)، معنای آن (معلول) را تغییر می‌دهد. به‌عنوان مثال دیگر، اگر بدانید تمام اشیاء از قانون گرانش تبعیت می‌کنند، می‌توانید نتیجه بگیرید که اگر توپی را رها کنید (علت)، به زمین خواهد افتاد (معلول). بدیهی است که این‌ها، مثال‌های ساده‌ای از روابط علت و معلولی بر پایه‌ی ویژگی‌های ثابت هستند که هم‌اکنون نیز می‌دانیم؛ اما چگونه می توانیم این ایده را به سیستم‌های پیچیده‌ای که هنوز درک نمی‌کنیم تعمیم دهیم؟ به‌عنوان مثال، اگر می توانستیم ویژگی‌های ثابت سیستم‌های اقتصادی را پیدا کنیم، قادر می‌شدیم اثرات پیاده‌سازی سیاست درآمد پایه‌ی جهانی را درک کنیم؛ یا با یافتن ویژگی‌های ثابت سیستم آب‌وهوای جهان، اثرات اقدامات مهندسی آب‌وهوای (geoengineering) مختلف را ارزیابی کنیم. نظریه‌ی دوم: رهایی از شر همبستگی جعلی
چگونه می‌توان از شر همبستگی جعلی رها شد؟ جواب این سؤال در نظریه‌ی مهم دیگر بوتو نهفته است. در آموزش یادگیری ماشین کنونی مرسوم است که داده‌های متنوع و مختلف را تا حد ممکن، در داخل یک مجموعه‌ی آموزشی قرار می‌دهند. اما به‌نظر بوتو، این روش می‌تواند زیان‌بار باشد و داده‌هایی که از زمینه‌های مختلف، چه از نظر زمانی و چه مکانی یا در شرایط آزمایشی مختلف جمع می‌شوند، به‌جای ترکیب شدن باید به‌عنوان مجموعه‌های مستقلی درنظر گرفته شوند؛ چراکه در صورت ترکیب شدن، همان‌طور که اکنون معمول است، اطلاعات ضمنی مختلفی از بین می‌روند و احتمال نمایان شدن همبستگی‌های جعلی افزایش پیدا می‌کند. مقاله‌های مرتبط:
یادگیری ماشین شکاف بین دانش و درک را عمیق‌ می‌کند چگونه سیستم‌های یادگیری ماشین ما را غافلگیر می‌کنند
آموزش شبکه‌ی عصبی با چندین مجموعه داده با زمینه‌ی منحصر‌به‌فرد، بسیار متفاوت می‌شود. دیگر شبکه نمی‌تواند همبستگی‌هایی را که فقط در یک مجموعه‌ی داده صدق می‌کنند پیدا کند؛ درعوض باید همبستگی‌هایی را بیابد که در بین همه‌ی مجموعه داده‌ها ثابت هستند. اگر آن مجموعه‌ داده‌ها به‌صورت هوشمندانه، از طیف گسترده‌ای از زمینه‌ها انتخاب شده باشند، همبستگی ‌نهایی باید با خواص ثابت حقیقت پایه، همخوانی نزدیکی داشته باشد. اجازه دهید بار دیگر به مثال ساده‌ی MNIST رنگی برگردیم. بوتو به‌منظور تشریح نظریه‌ی خود برای پیدا کردن ویژگی‌های ثابت، آزمایش اصلی خود را دوباره اجرا کرد. این‌بار، او دو مجموعه‌ داده‌ی MNIST رنگی با دو الگوی رنگ متفاوت را استفاده کرد، سپس به شبکه‌ی 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 شبکه‌ی عصبی یاد گرفته است رنگ را نادیده بگیرد و تنها روی شکل علامت‌گذاری تمرکز کند. بوتو می‌گوید کارش روی این نظریه‌ها تمام نشده است و مدتی طول خواهد کشید تا جامعه‌ی محققین این تکنیک‌ها را روی مسائل پیچیده‌تر 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.





نظرات شما

ارسال دیدگاه

Protected by FormShield

ساير مطالب

شگفت‌انگیزترین سواحل باکو برای تفریحات تابستانی

راهنمای جامع ویدئو مارکتینگ

دکترتو ؛ ساده‌ترین راه نوبت‌گیری از پزشک

رنو مگان R.S. Trophy-R رکورد سریع‌ترین خودروی دیفرانسیل جلو در نوربرگ رینگ را شکست

جعبه گشایی شیائومی می 9

تماشا کنید: 5 ترفند بدون هزینه برای عکاسی ماکرو

سامسونگ دوربین جدیدی با قابلیت بزرگ‌نمایی اپتیکال 5 برابری توسعه داده است

کسب نمره 111 آنر 20 پرو از موسسه DxOMark

تأثیر مثبت نوشیدن قهوه روی روده

آنر 20 و آنر 20 پرو با تمرکز بر دوربین و تراشه کرین 980 معرفی شدند

فورد 7 هزار نفر از کارمندانش را اخراج می‌کند

دوربین‌های جدید پاناسونیک وارد بازار ایران شدند

توهم چهره غریبه؛ ‌وقتی چهره‌ای عادی در نگاهمان هیولا می‌شود

رن ژنگفی: دولت آمریکا هواوی را دست‌کم می‌گیرد

گوگل گلس اینترپرایز 2 با قیمت 999 دلار معرفی شد

افزایش قیمت CNG از فردا اجرایی می‌شود

لپ‌تاپ‌های ویندوزی هواوی از تحریم مایکروسافت در امان خواهند ماند؟

چرا برخی افراد نمی‌توانند خواب‌هایشان را به‌یاد بیاورند؟

چرا فناوری دوربین و ضبط ویدئو در بی‌ ام‌ و برتر از رقبا است؟

پخش زنده از رویداد معرفی جهانی آنر 20 [امروز ساعت 15:30]

خرید اینترنتی تورهای مسافرتی چگونه به کاهش هزینه‌های سفر منجر می‌شود؟

شمشیر دولبه تحریم‌ها برای استارتاپ‌‌ها

مرسدس بنز ESF 2019 با هدف پیش‌نمایش فناوری‌های ایمنی جدید معرفی شد

ارتباط تنگاتنگ التهاب با افسردگی

تحریم‌ های هواوی 90 روز تعلیق می‌شوند

نسخه‌ پیش‌نمایش مرورگر اج ویژه سیستم‌عامل مک منتشر شد

در مسابقه هواوی و زومیت شرکت کنید و برنده 3 دستگاه P30 شوید!

لودینگ 52: ژانرهای فراموش شده، عملکرد نینتندو در نسل هشتم و بازی‌های نادیده گرفته شده

قیمت مکالمات بین‌الملل 2 تا 2.5 برابر افزایش پیدا کرد

نیکی لائودا راننده افسانه‌ای فرمول یک درگذشت

توشیبا سهام فروخته‌شده بخش حافظه را از اپل پس می‌گیرد

توصیه‌های تکیز برای پیشگیری از آلوده‌شدن گوشی‌های هوشمند به بدافزار

تأثیر حبس بر احتمال ارتکاب جرم در آینده

ممنوعیت واردات خودرو از هر نوع، لغو نخواهد شد

افزایش 27 درصدی درآمد شیائومی در فصل اول 2019 نسبت به مدت مشابه سال قبل

خاطرات حین خواب از طریق امواج مغزی تقویت می‌شوند

گوگل: احرازهویت دو مرحله‌ای بهترین روش برای مقابله با هکرها است

آیا می‌توان به مدت طولانی جوان ماند؟

هواوی پی 30 پرو و پی 30 لایت به بازار ایران می‌‌آیند

کاهش 40 درصدی عملکرد مک بوک به دلیل آسیب‌پذیری پردازنده‌های اینتل

بیوگرافی ویلهلم رونتگن؛ کاشف اشعه ایکس و اولین برنده نوبل فیزیک

تخفیف ویژه تجهیزات عکاسى و فیلمبردارى در نورنگار

چرا حذف قیمت از سایت دیوار، تاثیری بر قیمت‌ خودرو نداشت؟

مایکروسافت نیروهایی در حوزه هوش مصنوعی آموزش می‌دهد

اینتل: برای مقابله با ZombieLoad نیازی به غیرفعال کردن HT نیست

تغییر جهت پیچش پوسته حلزون

تاکید دانشمندان بر لزوم تعریف مجدد گونه‌های در معرض خطر

هواوی با انتشار بیانیه‌ به قطع همکاری گوگل واکنش نشان داد

نتیجه نظرسنجی: کاربران زومیت ارزش خرید وان پلاس 7 را بیشتر از رقبا می‌دانند

همکاری سرویس نقشه و مسیریاب بلد با پلیس راهور برای بهبود ترافیک