Группа исследователей из Эдинбургского университета и Чжэцзянского университета разработала способ объединения глубоких нейронных сетей (DNN) для создания системы с новой способностью к обучению. Группа описывает свою архитектуру и ее характеристики в журнале Science Robotics, сообщает techxplore.com
Глубокие нейронные сети могут изучать функции путем многократного обучения на нескольких примерах. На сегодняшний день они используются в самых разных приложениях, таких как распознавание лиц в толпе или определение кредитоспособности соискателя кредита. В новом эксперименте исследователи объединили несколько DNN, разработанных для разных приложений, чтобы создать систему с преимуществами всех составляющих DNN. Они сообщают, что получившаяся система нечто большее, чем просто сумма ее составляющих - она смогла изучить и обобщить новые функции, которые ни одна из DNN не могла выполнять в одиночку. Исследователи называют это архитектурой обучения с несколькими экспертами (MELA).
В частности, работа включала обучение нескольких DNN для различных случаев. Например, один научил робота бегать рысью; другой - обходить препятствия. Затем все DNN были подключены к нейронной сети, которая со временем научилась обращаться к другим DNN, когда требовался именно её набор навыков, поскольку такая DNN уже управляла роботом, при своих, конкретных, условиях. Получившаяся в результате система смогла реализовать все навыки всех объединенных DNN. Простыми словами: наш мозг (MELA) поочередно обучался управлять левой рукой (DNN 1), правой ногой (DNN 2) и т.д., затем самостоятельно оперировал уже всем телом, используя опыт каждой из DNN.
По мере того, как MELA узнавала больше о своих составных частях и их способностях, она научилась использовать их вместе, способами, которым ее не учили. Например, она научилась сочетать вставание после падения на скользком полу или что делать, если один из двигателей вышел из строя. Исследователи предполагают, что их работа знаменует собой новую веху в исследованиях робототехники и нейронных сетей, предлагая мир, в котором людям не нужно вмешиваться, если робот сталкивается с проблемами, с которыми не сталкивался ранее.
