MIT teadlased on välja töötanud perioodilise tabeli, mis näitab ühendusi enam kui 20 klassikalise masinõppe algoritmi vahel, pakkudes ülevaadet selle kohta, kuidas eri meetodite strateegiate kombineerimine võib täiustada olemasolevaid tehisintellekti mudeleid või inspireerida uusi. Kasutades seda raamistikku, loodi uus pildituvastamise algoritm, mis parandas praeguste juhtivate meetodite tulemuslikkust 8 protsenti. Tabeli taga peitub mõte, et kõik need algoritmid õpivad andmepunktide vahel spetsiifilisi seoseid, jagades põhijuhiseid matemaatilistes põhimõtetes, hoolimata nende erinevast rakendusest. Sealt tuvastas meeskond ühtse võrrandi, mis aluseks paljudele klassikalistele AI-algoritmidele, ning kasutas seda populaarsete meetodite ümberkujundamiseks ja korraldamiseks tabelisse, kus iga algoritm on rühmitatud seose tüüpide järgi, mida see õpib. Nagu keemiline perioodiline tabel — tühjad kohad ennustavad avastamata elemente — näitab ka masinõppe tabel sopistesse kohti, kus võivad veel olemas olla tulevikus leiutamatud algoritmid. See tööriist võimaldab teadlastel uusi algoritme luua ilma varasemate ideede ümber töötamiseta, märkis Shaden Alshammari, peamine autor ja MIT magistrant, rõhutades, et masinõpe võib nüüd vaadeldud kui struktureeritud süsteemi, mis on avastamiseks valmis, mitte meelevaldne hüpotees. Artikli autorite hulka kuuluvad John Hershey (Google AI Perception), Axel Feldmann (MIT magistrant), William Freeman (MIT professor ja CSAIL liige) ning vanemautor Mark Hamilton (MIT magistrant ja Microsofti insenerijuht). Nende töö esitatakse rahvusvahelisel õppelahenduste konverentsil. Ühtse võrrandi avastamine oli juhuslik. Alshammari uuris algselt klasterdamise algoritme, mis rühmitavad sarnaseid pilte, ning märkis nende sarnasusi kontrastse õppe meetoditega. Uurides veelgi, leidis ta, et mõlemat saab kirjeldada sama alusvõrrandiga.

Nagu Hamilton meenutab, kui nad selle ühenduse avastasid, integreerisid nad peaaegu kõik testitud klassikalised meetodid selle ühetaolise raamistikuga. Nimetatud info-kontrastõpe (I-Con) näitab, kuidas erinevad algoritmid — alates rämpsposti klassifikaatoritest ja süvaõppe mudelitest, mis toetavad suuri keelemudeleid — saab tõlgendada läbi selle võrrandi. Võrrand näitab, kuidas algoritmid lähenevad seoste hindamisele rea andmepunktide vahel, minimeerides kõrvalekaldeid tegelikest ühendustest treeningandmetes. Nende algoritmide kategorizimiseks struktureerisid teadlased I-Con’i perioodilise tabeli, mis sorteerib meetodid andmepunktide ühenduste olemuse ning peamise lähendamistehnika järgi. Alshammari märgib, et üldise võrrandi struktuuri määratlemine lihtsustas uute algoritmide lisamist raamistikku. Tabeli loomise käigus avastati ka tühjad kohad, kuhu uusi algoritme võiks sobitada. Nad täitsid ühe sellise tühimiku, ühendades kontrastõppe ideid pildiklastrite analüüsiga, mille tulemusena valmis algoritm, mis klassifitseerib eemaldatud sildistatud pilte 8 protsenti paremini kui uusim nii-öelda põhitehnoloogia. Nad näitasid ka, kuidas kontrastõppe vähese kalduvuse meetod võib parandada klasterdamise täpsust. Tabeli disain on paindlik, võimaldades lisada uusi read ja veerge, et mahutada uusi andmesuhteid. Hamilton arvab, et I-Con julgustab teadlasi loovalt mõtlema, innustades kombinatsioone ideedest, mida nad varem võib-olla ei kaalunud. Kogu see elegantne ühtsustvõrrand, mis põhineb infoteadusel, hõlmab sajandit masinõppe uurimistööd ning avab palju teeviitasid tulevastele avastustele. Jeruusalemma Hebrea Ülikooli professor Yair Weiss, kes uuringuga seotud ei ole, kiitis I-Con’i kui haruldast näidet ühtsest tööst, mis võib innustada sarnaseid püüdlusi masinõppe valdkonnas, mida eriti oluline on uute uuringute aastane voog. Selle uurimistöö toetas Õhuväe tehisintellekti kiirendi, Riiklik Teadusfondi AI instituut tehisintellektile ja fundamentaalsetele interaktsioonidele ning Quanta Computer.