Az MIT kutatói egy periodikus táblát alkottak, amely bemutatja több mint 20 klasszikus gépi tanulási algoritmus közötti kapcsolatokat, ezáltal betekintést nyújtva abba, hogy különböző módszerek kombinálásával hogyan lehet javítani a meglévő AI modelleket, vagy újakat inspirálni. Ezen az alapon egy új, képosztályozó algoritmust fejlesztettek ki, amely 8 százalékkal javította a jelenlegi legjobb technikákhoz képest a teljesítményt. A táblázat mögötti koncepció az, hogy mindegyik algoritmus specifikus kapcsolatokat tanul az adatok között, miközben a matematikai alapelvek közösek maradnak, annak ellenére, hogy a megvalósítások eltérőek. Ebből a csapat egy egységes egyenletet azonosított, amely sok klasszikus AI algoritmus alapját képezi, és ezt felhasználva újraszervezték a népszerű módszereket, és egy táblázatban rendszereztek, az algoritmus által megtanult kapcsolatok típusa szerint. Olyan ez, mint a kémiai periódusos rendszer—amelyben az üres helyek a felfedezetlen elemeket jósolják—a gépi tanulási táblázat is hiányokat tartalmaz, jelezve, hol létezhetnek még fel nem fedezett algoritmusok. Ez az eszköz lehetővé teszi a kutatók számára, hogy új algoritmusokat tervezzenek anélkül, hogy a korábbi ötleteket újra kellene írniuk, hangsúlyozta Shaden Alshammari, a cikk vezető szerzője és MIT hallgatója, aki kiemelte, hogy a gépi tanulás most már egy struktúrált, feltárásra váró rendszernek tekinthető, nem pedig találgatásnak. A cikk szerzői között van John Hershey (Google AI Perception), Axel Feldmann (MIT hallgató), William Freeman (MIT professzor és CSAIL tag), valamint Mark Hamilton, a vezető szerző (MIT hallgató és a Microsoft mérnöki vezetője). Munkájukat az International Conference on Learning Representations keretében mutatják be. Az egységes egyenlet felfedezése véletlenül történt. Alshammari eredetileg klaszterező algoritmusokat tanult, amelyek hasonló képeket csoportosítanak, és észrevette, hogy hasonlóságot mutatnak a kontrastív tanulási módszerekkel. Tovább kutatva megtalálta, hogy mindkettőt ugyanaz az alaptörvény írja le.

Ahogy Hamilton emlékszik, miután felfedték ezt a kapcsolatot, szinte minden klasszikus módszert beépítettek ebbe az egységes keretbe. Az információs kontrastív tanulásnak (I-Con) nevezett keret bemutatja, hogy számos algoritmus— a spam-szűrők osztályozóitól egészen a mélytanulási modellekig, melyek nagy nyelvi modelleket működtetnek— miként értelmezhetők ezen egyenlet segítségével. Az egyenlet leírja, hogy az algoritmusok miként közelítik meg az adatok közötti kapcsolatokat, minimalizálva az eltéréseket az eredeti kapcsolatokhoz képest a tanulási adatokban. Ezek az algoritmusok kategorizálására a kutatók egy periódusos táblára rendezték az I-Con-t, amely a kapcsolati típusok és a főbb megközelítések szerint osztályozza őket. Alshammari megjegyezte, hogy az általános egyenlet felépítésének felismerése megkönnyítette további algoritmusok hozzáadását a kerethez. A táblázat készítése során a csapat azonosított hiányterületeket, ahol új algoritmusok illeszkedhetnek. Egy ilyen hiányt sikeresen pótoltak, összevonva a kontrastív tanulás ötletét az képalkotó klaszterezéssel, eredményezve egy olyan algoritmust, amely 8 százalékkal pontosabban osztályozza az unlabeled képeket, mint a legújabb megközelítések. Emellett bemutatták, hogy egy kontrastív tanulási balanszírozási módszer is javíthatja a klaszterezés pontosságát. A táblázat kialakítása rugalmas, lehetővé téve új sorok és oszlopok hozzáadását, hogy illeszkedjenek az új jellegű adatszabályozásokhoz. Hamilton szerint az I-Con ösztönzi a kutatókat kreatív gondolkodásra, és támogatja ötletek kombinálását, amelyeket korábban nem mérlegeltek. Összességében ez az elegáns, egységes egyenlet, amely az információelméletre alapozva, egy évszázad gépi tanulási kutatásait foglalja össze, számos jövőbeli felfedezés útját nyitja meg. Yair Weiss, a jeruzsálemi Héber Egyetem professzora, aki nem vett részt a tanulmányban, dicsérte az I-Con-t mint egy ritka egységesítő munkát, mely más gépi tanulási területeket is inspirálhat, különösen figyelembe véve az évente megjelenő sok új kutatási tanulmányt. Ezt a kutatást az Air Force Artificial Intelligence Accelerator, a Nemzeti Tudományos Alapítvány AI Intézete és a Quanta Computer támogatta.