MIT-forskere udvikler det periodiske system, der forener over 20 klassiske algoritmer til maskinlæring

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.
Brief news summary
MIT-forskere har skabt et samlet "Det Periodiske System" med over 20 klassiske maskinlæringsalgoritmer ved hjælp af en ny matematisk ramme kaldet information contrastive learning (I-Con). Denne ramme viser, at mange algoritmer fungerer ved at minimere forskelle mellem forudsagte og faktiske relationer i data. Ved at kategorisere algoritmer baseret på disse relationer og deres tilnærmningsmetoder organiserer tabellen ikke kun eksisterende teknikker, men afdækker også nye muligheder for algoritmeudvikling. Et væsentligt resultat af dette arbejde er en ny billedklassifikationsmetode, der kombinerer contrastive learning med clustering, hvilket fører til en forbedring på 8% i nøjagtighed i forhold til de bedste modeller. Ledet af MIT-kandidaten Shaden Alshammari og samarbejdspartnere fra MIT og Google AI, blev forskningen præsenteret på den Internationale Konference om Learning Representations og støttet af Air Force og NSF. Denne samlede opfattelse af et århundredes fremskridt inden for maskinlæring forventes at fremskynde AI-udviklingen ved at fremme systematisk innovation og reducere dobbeltsatsninger på tværs af forskellige felter.
AI-powered Lead Generation in Social Media
and Search Engines
Let AI take control and automatically generate leads for you!

I'm your Content Manager, ready to handle your first test assignment
Learn how AI can help your business.
Let’s talk!

AI-eksperter drøfter potentielle eksistentielle r…
Den hurtige udvikling inden for kunstig intelligens (AI) har skabt betydelig debat og bekymring blandt eksperter, især med hensyn til dens langsigtede virkninger på menneskeheden.

SEC afholder rundbordssamtale for at drøfte krypt…
Securities and Exchange Commission's (SEC) Crypto Task Force afholdt et vigtigt rundbordssamtale fredag, med fokus på de komplekse udfordringer og de udviklende intrikate forhold i krydsfeltet mellem kryptovalutaindustrien og værdipapirreguleringen.

Top 5 blockchain-infrastrukturvirksomheder, der d…
Finansielle institutioner undersøger i stigende grad blockchain-teknologi for dens evne til at effektivisere opgørelse processer, muliggøre realtidsoverførsler og støtte tokenisering af realworld-aktiver (RWA), såsom værdipapirer, kredit, obligationer og ejendomme.

Meta-investorer hepper, da Zuckerberg forstærker …
Log ind for at få adgang til din portefølje Log ind

Maskinlæring på blockchain: En ny tilgang til ing…
En nyligt offentliggjort undersøgelse i Engineering introducerer en innovativ ramme, der integrerer maskinlæring (ML) og blockchain-teknologi (BT) for at forbedre den beregningsmæssige sikkerhed i ingeniørapplikationer.

AI inden for cybersikkerhed: Forbedring af trusse…
Kunstig intelligens bliver et væsentligt element inden for cybersikkerhed, hvilket i høj grad forbedrer evnen til at opdage og reagere på potentielle trusler.

ICE ønsker mere blockchain-analyseteknologi; Hære…
U.S. Immigration and Customs Enforcement (ICE) øger sit investering i blockchain-efterretningsteknologi, sammen med andre efterforskningsplatforme.