麻省理工学院适用神经科学在克服人工智能偏见的努力中

人工智能(AI)机器学习具有Achilles的脚跟 - 如果用于训练算法的数据包含偏置数据，这可能不利地偏斜结果.在努力了解机器学习如何克服这种漏洞，Massachusetts理工学院的研究人员(MIT)将神经科学工具应用于AI的神经科学工具，并在"自然机器智能期刊"中发表了他们的研究结果.

人工智能的弱点

人工智能是计算机科学领域，旨在使机器能够执行与人类大脑相关的任务，例如认知，学习和解决问题.对于机器学习工作，必须有数据培训算法大量数据. AI深度学习的质量不仅取决于算法，还取决于数据.用于训练机器学习的数据集的质量可以偏置算法的结果.

没有清楚地理解的是克服这种弱点的正是.在这个新的麻省理工学院学习中，研究人员列出了调查卷积神经网络的何时以及如何概括在训练期间没有暴露的分发组合.卷积神经网络是一种用于识别和分析图像计算机视觉的神经网络.生物愿景启发了AI机器学习愿景.

神经科学方法

对于本研究，研究人员使用神经科学来帮助解决AI的偏见问题.在神经科学中，实验经常使用精心控制的数据集.从这种方法借用，麻省理工学院研究人员培训了一个人工神经网络，用于使用良好的策划数据集进行图像分类，以了解算法在呈现出在训练数据中没有表示的分发数据时的执行程度.人工神经网络接受培训以同时对类别和观点进行分类.

研究人员发现，在保持恒定数据集大小的同时增加数据分集可以提高算法对分发外部组合的性能，而是降低了分布式数据的性能.

他们还发现，在概括分布外组合时，没有计算层的单独架构在不合时佳的共享中.研究人员将此增长归因于专业化的增加.具体而言，科学家们提出了专业化的神经机制，"对类别和不变性选择性的两种类型的神经元 - 神经元的出现，反之亦然".如果培训人工神经网络以分别同时执行任务，则一些神经元不专注于一个任务，并且更有可能表现不佳.

简单地说，研究人员展示了卷积神经网络概括的能力与神经元的专注方式相关.根据研究人员，它们的结果涉及多个卷积神经网络和数据集，包括ILAB-2M，MNIST位置，MNIST级和偏置汽车.

与这些新发现作为下一步，MIT研究人员希望利用他们的神经科学灵感的方法来实现更复杂的任务，并找到一种方法来引起人工神经网络在未来开发专门的神经元.

版权所有©2022 Cami Rosso保留所有权利.