MIT-forskere har udviklet et periodisk system, der illustrerer forbindelserne mellem over 20 klassiske maskinlæringsalgoritmer, hvilket giver indblik i, hvordan kombinationen af strategier fra forskellige metoder kan forbedre eksisterende AI-modeller eller inspirere til nye. Ved hjælp af denne ramme skabte de en ny billedklassifikationsalgoritme, som forbedrede ydeevnen med 8 procent i forhold til de nuværende førende teknikker. Konceptet bag tabellen er, at alle disse algoritmer lærer specifikke relationer mellem data punkter, hvor de grundlæggende matematiske principper deles på tværs af dem, selvom implementeringerne varierer. Herfra identificerede holdet en enhedsligning, der ligger til grund for mange klassiske AI-algoritmer, som de brugte til at omformulere populære metoder og organisere dem i en tabel baseret på de typer af relationer, hver algoritme lærer. Ligesom det kemiske periodesystem—with tomme pladser, der forudsiger ubeskrevne elementer—indeholder maskinlæringstabellen også huller, der antyder, hvor endnu ikke-opfundne algoritmer kan eksistere. Dette værktøj giver forskere mulighed for at designe nye algoritmer uden at skulle genopfinde tidligere ideer, som Shaden Alshammari, ledende forfatter og MIT-studerende, bemærker. Hun understregede, at maskinlæring nu kan ses som et struktureret system, der er klar til udforskning i stedet for blot gætteri. Forfatterne af artiklen inkluderer John Hershey (Google AI Perception), Axel Feldmann (MIT-studerende), William Freeman (MIT-professor og CSAIL-medlem) og seniorforfatteren Mark Hamilton (MIT-studerende og Microsofts ingeniørleder). Deres forskning vil blive præsenteret på den Internationale Konference om Learning Representations. Opdagelsen af den enhedsligning var tilfældig. Alshammari havde oprindeligt studeret klyngealgoritmer, der grupperer lignende billeder, og lagde mærke til ligheder med contrastive learning-metoder. Ved at undersøge nærmere fandt hun, at begge kunne beskrives af den samme underliggende ligning.

Som Hamilton minder om, da de opdagede denne forbindelse, integrerede de næsten alle testede klassiske metoder i denne samlede ramme. Den kaldes information contrastive learning (I-Con), og rammeværket viser, hvordan forskellige algoritmer—fra spamdetekteringsklassificører til dyb læring, der driver store sprogmodeller—kan tolkes gennem denne ligning. Ligningen fanger, hvordan algoritmer tilnærmer sig relationer mellem data punkter ved at minimere afvigelser fra de faktiske forbindelser i træningsdataene. For at kategorisere disse algoritmer organiserede forskerne I-Con i et periodisk system, der sorterer metoder baseret på arten af data punkternes forbindelser og de vigtigste tilnærmningsteknikker. Alshammari bemærker, at det at identificere den generelle equation-struktur simplificerede tilføjelsen af flere algoritmer til rammen. Mens de konstruerede tabellen, identificerede teamet huller, hvor nye algoritmer kunne passe ind. De fyldte et af disse hulrum med en kombination af ideer fra contrastive learning og image clustering, hvilket resulterede i en algoritme, der klassificerer ukendte billeder 8 procent bedre end en topmoderne baseline. De viste også, hvordan en contrastive learning-debiasing teknik kan øge clustering-precisionen. Designet af tabellen er fleksibelt, hvilket tillader tilføjelse af nye rækker og kolonner, så den kan rumme nye typer af datRelationer. Hamilton foreslår, at I-Con opfordrer forskere til at tænke kreativt og fremmer kombinationer af ideer, de måske ikke tidligere har overvejet. Samlet set dækker denne elegante, samlede ligning, der er baseret på informationsvidenskab, et århundrede af maskinlæringsforskning og åbner mange veje for fremtidige opdagelser. Yair Weiss, professor ved Det Hebraiske Universitet i Jerusalem, der ikke var involveret i studiet, roste I-Con som et sjældent eksempel på et samlende værk, der kan inspirere lignende indsatser inden for maskinlæringsfelterne, især i lyset af den store mængde nye forskningsartikler hvert år. Denne forskning er blevet støttet af Air Force Artificial Intelligence Accelerator, National Science Foundation AI Institute for Artificial Intelligence and Fundamental Interactions samt Quanta Computer.