Ученые в подразделениях Google Brain и DeepMind признают, что нынешние подходы машинного обучение не соответствуют человеческому познанию, в связи с чем разрабатывают новый метод обучения ИИ сетевыми графами (GN). Такой метод позволит найти отношения между любыми понятиями и машины наконец смогут более широко воспринимать данные и понимать мир подобно человеку.
Документ «Relational inductive biases, deep learning, and graph networks» был опубликован в arXiv, автором Питером У. Баттальей из подразделения DeepMind и коллегами из Google Brain, MIT и Университета Эдинбурга. Авторы предлагают использование сетей графов (GN) в качестве средства для обобщения структур любых данных. Батталья и его коллеги, назвали свою работу «частично эссе, частично обзор и частично обобщение», где отмечают, что ИИ недавно пережил эпоху возрождения благодаря дешевым данным и дешевым вычислительным ресурсам.
Однако многие определяющие характеристики человеческого интеллекта, которые развивались по мере эволюции, остаются вне досягаемости для нынешних подходов, особенно возможность обобщать понятия не имея практического опыта взаимодействия с ними.По мнению авторов человеческое познание имеет важное предположение о том, что мир состоит из объектов и отношений между ними и поскольку GN [сети графов] делают подобное предположение, это делает новый подход машинного обучения более «толковым».
Новый подход явным образом опирается на схожую работу 10-и летней давности «graph neural networks» и отражает недавний интерес Google Brain в использовании нейронных сетей для определения структуры сети.Но в отличие от предыдущей работы авторы делают удивительное утверждение, что их подход сам по себе не требует использования нейронных сетей.
Идея состоит в том, что сети графов больше, чем любой подход машинного обучения. Графы дают возможность обобщить структуру данных (частицы, предложения, объекты в изображении), которой нет у отдельных нейронных сетей. Преимущество GN также в том, что они потенциально более «эффективны с точки зрения выборки», то есть они не требуют стольких исходных данных, как нейронные сети.
Чтобы позволить вам попробовать новый подход в домашних условиях, авторы выложили на Github программный инструментарий для сетей графов, который используется с Google TensorFlow AI.
Чтобы вы не подумали, что авторы нашли универсальное решение для создания «сильного» искусственного интеллекта, в документе перечислены некоторые серьёзные недостатки. Например графы не могут выразить все понятия: рекурсия, поток управления и условная итерация - не просто представлять с графами и как минимум, требуют дополнительных предположений.
Но в любом случае это захватывающий вызов для учёных, который может привести к прорыву в развитии технологий.
Ученые в подразделениях Google Brain и DeepMind признают, что нынешние подходы машинного обучение не соответствуют человеческому познанию, в связи с чем разрабатывают новый метод обучения ИИ сетевыми графами (GN). Такой метод позволит найти отношения между любыми понятиями и машины наконец смогут более широко воспринимать данные и понимать мир подобно человеку.
Документ «Relational inductive biases, deep learning, and graph networks» был опубликован в arXiv, автором Питером У. Баттальей из подразделения DeepMind и коллегами из Google Brain, MIT и Университета Эдинбурга. Авторы предлагают использование сетевых «графов» в качестве средства для лучшего понимания поставленных задач. Батталья и его коллеги, назвали свою работу «частично эссе, частично обзоро и частично обобщение», где отмечают, что ИИ недавно пережил эпоху возрождения благодаря дешевым данным и дешевым вычислительным ресурсам.
Однако многие определяющие характеристики человеческого интеллекта, которые развивались по мере эволюции, остаются вне досягаемости для нынешних подходов, особенно возможность обобщать понятия не имея практического опыта взаимодействия с ними.По мнению авторов человеческое познание имеет важное предположение о том, что мир состоит из объектов и отношений между ними и поскольку GN [сети графов] делают подобное предположение, это делает новый подход машинного обучения более «толковым».
Новый подход явным образом опирается на схожую работу 10-и летней давности «graph neural networks» и отражает недавний интерес Google Brain в использовании нейронных сетей для определения структуры сети.Но в отличие от предыдущей работы авторы делают удивительное утверждение, что их подход сам по себе не требует использования нейронных сетей.
Идея состоит в том, что сети графов больше, чем любой подход машинного обучения. Графы дают возможность обобщить структуру данных (частицы, предложения, объекты в изображении), которой нет у отдельных нейронных сетей. Преимущество GN также в том, что они потенциально более «эффективны с точки зрения выборки», то есть они не требуют стольких исходных данных, как нейронные сети.
Чтобы позволить вам попробовать новый подход в домашних условиях, авторы выложили на Github программный инструментарий для сетей графов, который используется с Google TensorFlow AI.
Чтобы вы не подумали, что авторы нашли универсальное решение для создания «сильного» искусственного интеллекта, в документе перечислены некоторые серьёзные недостатки. Например графы не могут выразить все понятия: рекурсия, поток управления и условная итерация - не просто представлять с графами и как минимум, требуют дополнительных предположений.
Но в любом случае это захватывающий вызов для учёных, который может привести к прорыву в развитии технологий.
