Компютърни учени искат да правят роботите забравят лошите им данни

Когато „лошите” данни се всмукват в система за машинно обучение - така Алън Грийнспан го изрази при обсъждането на компютърните модели, които не успяха да предскажат рецесията от 2008 г. - тази информация може да бъде трудно за изтласкване. Но една нова концепция, предложена от компютърните учени Junfeng Yang и Yinzhi Cao, съответно от Колумбийския университет и университета Lehigh, води до идеята за отказване от компютрите. Тъй като Цао и Янг пишат в резюмето, публикувано за конференцията за IEEE Xplore през 2015 г., не е нужно да се връщате назад, за да забравите:

За да забравите извадка от данни за обучение, нашият подход просто актуализира малък брой суми - асимптотично по-бързо от преквалификацията от нулата. Нашият подход е общ, тъй като формата на сумирането е от статистическото обучение, в което могат да бъдат въведени много алгоритми за машинно обучение. Нашият подход се отнася и за всички етапи на машинното обучение, включително за подбора на характеристики и моделирането. Нашата оценка, на четири различни системи за обучение и реални работни натоварвания, показва, че нашият подход е общ, ефективен, бърз и лесен за използване.

Концепцията за машинно обучение се основава на фундамент, изграден от могили и могили от информация. Това може да е полезно да научи роботите или изкуствените интелигентности да направят определени връзки - например, ако човек в тежко палто държи брадва, може да е пожарникар. Но в тези обучителни сесии може да възникнат погрешни връзки въз основа на набора от данни. Вашият робот може да мисли, че всички пожарникари имат бради. Това, очевидно, е нещо, на което искате компютър променям мнението си.

Цао и Янг основават тази идея на роботизираното информационно разединяване на концепцията за линията на данните - че данните не се появяват напълно в света, но имат проследима история, след като суровите данни се обработват, отбелязва той. Kurzweil A.I., Използването на тази линия позволява на машините да се отучат от избрани части от данни, без да изтриват напълно тяхното образование.