بازاریابی سیاسی

آخرين مطالب

یادگیری عمیق به درک چگونگی عملکرد جهان کمک می‌کند اخبار

یادگیری عمیق به درک چگونگی عملکرد جهان کمک می‌کند
  بزرگنمايي:

سیاست و بازاریابی - یک محقق در کنفرانس تحقیقات هوش مصنوعی نشان داد که چگونه می‌توان از تکنیک‌های موجود هوش مصنوعی، برای تحلیل روابط علت‌ومعلولی در داده‌ها کمک گرفت.

این هفته، جامعه‌ی محققین هوش مصنوعی به‌مناسبت کنفرانس بین‌المللی دستاوردهای یادگیری (ICLR که آی‌کلیر «eye-clear» تلفظ می‌شود)، در نیواورلئان ( New Orleans) دور هم جمع شدند. این کنفرانس، یکی از گردهمایی‌های بزرگ سالانه‌ی محققین این حوزه محسوب می‌شود. مشارکت 3 هزار محقق و ارائه 1500 مقاله، این همایش را به یکی از مهم‌ترین رویدادهای تبادل ایده‌ها در حوزه یادگیری عمیق تبدیل می‌کند. عمده‌ی مقالات پذیرفته‌شده و سخنرانی‌های همایش امسال، پیرامون حل‌وفصل چهار چالش مهم یادگیری عمیق ( Deep learning )، یعنی نااُریب بودن (به صفر رساندن ضریب خطای عملکرد)، امنیت ، تعمیم‌پذیری و علیت هستند. در این مقاله، از بحث پیرامون چگونگی اریب‌داری و مستعدبودن الگوریتم‌های یادگیری مایشن (machine-learning) فعلی برای حملات خراب‌کارانه و محدودشدن ناباورانه‌ی آن‌ها، به تواناییشان در تعمیم الگوهایی که در داده‌‌های آموزشی، برای اپلیکیشن‌های چندگانه پیدا می‌کنند، صرف‌نظر شده و به چالش نهایی یعنی «علیت»پرداخته می‌شود؛ چراکه درحال حاضر نیز، جامعه‌ی یادگیری ماشین مشغول توسعه‌ی این فناوری جهت برطرف‌کردن ضعف‌های یادشده است. «علیت» موضوعی است که برای مدت‌ طولانی، ذهن محققین را به خود مشغول کرده است. یادگیری ماشین، توانایی زیادی در پیداکردن همبستگی داده‌ها دارد؛ اما آیا می‌تواند روابط علت و معلولی در داده‌ها را نیز کشف کند؟ چنین دستاوردی می‌تواند نقطه‌ی عطف بزرگی باشد؛ چراکه اگر الگوریتم‌ها بتوانند درمورد علل و اثرات پدیده‌های مختلف در سیستم‌های پیچیده به ما کمک کنند، فهم ما از جهان را عمیق‌تر می‌کنند و ابزار قدرتمندی برای تاثیرگذاری در آن، دراختیار ما قرار می‌دهند. لئون بوتو (Léon Bottou)، محقق تحسین‌شده‌ی واحد تحقیقات هوش مصنوعی فیسبوک و دانشگاه نیویورک، در نشست روز دوشنبه، چارچوبی از چگونگی دستیابی به هدف فوق ارائه کرد. در ادامه، خلاصه‌ای از نظرات او را با هم می‌خوانیم. نظریه‌ی نخست: روش جدیدی برای اندیشیدن پیرامون علیت
اولین نظریه‌ی مهم بوتو به شرح زیر است: فرض کنید می‌خواهید یک سیستم بینایی کامپیوتری طراحی کنید که بتواند اعداد دست‌نویس را شناسایی کند (این یک مسئله مقدماتی کلاسیک است که به‌طور گسترده در مجموعه‌ داده‌های «MNIST» که در تصویر زیر مشاهده می‌کنید، استفاده می‌شود). می‌توانید با یک شبکه‌ی عصبی (neural-network)، روی مجموعه‌ی گسترده‌ای از تصاویر اعداد دست‌نویس، که هر کدام با عدد نشان‌داده‌شده در تصویر علامت‌گذاری شده‌اند، شروع کنید ودر پایان سیستم مناسبی داشته باشید که قادر باشد تصاویری را که قبلا مشاهده نکرده است، شناسایی کند.
مجموعه داده‌ی MNIST اما دوباره فرض کنید که مجموعه داده‌ی شما کمی‌ تغییر کرده است و هر کدام از اعداد دست‌نویس دارای رنگ‌های قرمز یا سبز هستند. تصور کنید نمی‌دانید کدام‌یک از دو روش رنگ یا شکل علامت‌گذاری، پیش‌بینی‌کننده‌ی بهتری برای عدد نوشته‌شده در تصویر است. روش استانداردی که امروزه به‌کار گرفته می‌شود، این است که هر بخش از مجموعه‌ی داده‌ها را به هر دو شکل فوق، برچسب‌گذاری کند و به شبکه‌ی عصبی می‌دهند تا تصمیم بگیرد.
مجموعه داده‌ی رنگی MNIST در این صورت، بحث جالب خواهد شد. مجموعه‌ی داده‌ی «MNIST رنگی» گمراه‌کننده تلقی می‌شود؛ چراکه در جهان واقعی، رنگ عدد کاملا بی‌معنی است، اما در این مجموعه داده‌ی خاص، رنگ، پیش‌بینی‌کننده‌ی بسیار بهتری نسبت‌به «شکل» است. بنابراین، شبکه‌ی عصبی ما یاد می‌گیرد که از رنگ به‌عنوان پیش‌بینی‌کننده‌ی اصلی استفاده کند. تا زمانی‌که از این شبکه‌ی عصبی برای شناسایی اعداد دست‌نویس دیگری استفاده کنیم که از الگوی رنگ مشابهی پیروی می‌کنند، این روش جواب می‌دهد؛ اما اگر رنگ‌ها را عوض کنیم، عملکرد سیستم کاملا افت پیدا می‌کند (بوتو این آزمایش را با داده‌های واقعی و شبکه‌ی عصبی واقعی انجام داد، در حالت اول میزان تشخص درست 84/3 درصد و در حالت دوم تنها 10 درصد بود). به عبارت دیگر، این شبکه‌ی عصبی به نظر بوتو یک «همبستگی جعلی» را می‌سازد؛ که باعث می‌شود خارج از حوزه‌ای که آموزش دیده است، کاملا بی‌فایده باشد. در حالت نظری، اگر شما بتوانید همه‌ی همبستگی‌های جعلی را در یک مدل یادگیری ماشین از بین ببرید، تنها با حالت‌های «ثابتی» مواجه خواهید بود؛ حالت‌هایی که بی‌توجه به زمینه همواره درست هستند. بوتو اضافه می‌کند که درعوض، ثبات به شما اجازه می‌دهد تا علیت را درک کنید. اگر ویژگی‌های ثابت یک سیستم را بدانید و از مداخله‌ای که روی سیستم صورت گرفته است، اطلاع داشته باشید؛ باید بتوانید نتیجه این مداخله را حدس بزنید. مثلا، اگر بدانید همیشه شکل یک عدد دست‌نویس معنی آن را تعیین می‌کند، می‌توانید نتیجه بگیرید که تغییرشکل آن (علت)، معنای آن (معلول) را تغییر می‌دهد. به‌عنوان مثال دیگر، اگر بدانید تمام اشیاء از قانون گرانش تبعیت می‌کنند، می‌توانید نتیجه بگیرید که اگر توپی را رها کنید (علت)، به زمین خواهد افتاد (معلول). بدیهی است که این‌ها، مثال‌های ساده‌ای از روابط علت و معلولی بر پایه‌ی ویژگی‌های ثابت هستند که هم‌اکنون نیز می‌دانیم؛ اما چگونه می توانیم این ایده را به سیستم‌های پیچیده‌ای که هنوز درک نمی‌کنیم تعمیم دهیم؟ به‌عنوان مثال، اگر می توانستیم ویژگی‌های ثابت سیستم‌های اقتصادی را پیدا کنیم، قادر می‌شدیم اثرات پیاده‌سازی سیاست درآمد پایه‌ی جهانی را درک کنیم؛ یا با یافتن ویژگی‌های ثابت سیستم آب‌وهوای جهان، اثرات اقدامات مهندسی آب‌وهوای (geoengineering) مختلف را ارزیابی کنیم. نظریه‌ی دوم: رهایی از شر همبستگی جعلی
چگونه می‌توان از شر همبستگی جعلی رها شد؟ جواب این سؤال در نظریه‌ی مهم دیگر بوتو نهفته است. در آموزش یادگیری ماشین کنونی مرسوم است که داده‌های متنوع و مختلف را تا حد ممکن، در داخل یک مجموعه‌ی آموزشی قرار می‌دهند. اما به‌نظر بوتو، این روش می‌تواند زیان‌بار باشد و داده‌هایی که از زمینه‌های مختلف، چه از نظر زمانی و چه مکانی یا در شرایط آزمایشی مختلف جمع می‌شوند، به‌جای ترکیب شدن باید به‌عنوان مجموعه‌های مستقلی درنظر گرفته شوند؛ چراکه در صورت ترکیب شدن، همان‌طور که اکنون معمول است، اطلاعات ضمنی مختلفی از بین می‌روند و احتمال نمایان شدن همبستگی‌های جعلی افزایش پیدا می‌کند. مقاله‌های مرتبط:
یادگیری ماشین شکاف بین دانش و درک را عمیق‌ می‌کند چگونه سیستم‌های یادگیری ماشین ما را غافلگیر می‌کنند
آموزش شبکه‌ی عصبی با چندین مجموعه داده با زمینه‌ی منحصر‌به‌فرد، بسیار متفاوت می‌شود. دیگر شبکه نمی‌تواند همبستگی‌هایی را که فقط در یک مجموعه‌ی داده صدق می‌کنند پیدا کند؛ درعوض باید همبستگی‌هایی را بیابد که در بین همه‌ی مجموعه داده‌ها ثابت هستند. اگر آن مجموعه‌ داده‌ها به‌صورت هوشمندانه، از طیف گسترده‌ای از زمینه‌ها انتخاب شده باشند، همبستگی ‌نهایی باید با خواص ثابت حقیقت پایه، همخوانی نزدیکی داشته باشد. اجازه دهید بار دیگر به مثال ساده‌ی MNIST رنگی برگردیم. بوتو به‌منظور تشریح نظریه‌ی خود برای پیدا کردن ویژگی‌های ثابت، آزمایش اصلی خود را دوباره اجرا کرد. این‌بار، او دو مجموعه‌ داده‌ی MNIST رنگی با دو الگوی رنگ متفاوت را استفاده کرد، سپس به شبکه‌ی عصبی خود آموزش داد تا یک همبستگی که در هر دو گروه صادق است را پیدا کند. وقتی بوتو این مدل بهبودیافته را برای اعداد جدید با الگوهای رنگی یکسان و متفاوت آزمایش کرد، میزان تشخیص درست برای هر دو حالت 70 درصد شد. نتایج نشان داد که شبکه‌ی عصبی یاد گرفته است رنگ را نادیده بگیرد و تنها روی شکل علامت‌گذاری تمرکز کند. بوتو می‌گوید کارش روی این نظریه‌ها تمام نشده است و مدتی طول خواهد کشید تا جامعه‌ی محققین این تکنیک‌ها را روی مسائل پیچیده‌تر از اعداد رنگی نیز آزمایش کند. اما چارچوب کلی این آزمایش‌ به ظرفیت یادگیری عمیق جهت کمک به درک چرایی اتفاق افتادن حوادث و افزایش کنترل ما روی سرنوشتمان اشاره دارد.


نظرات شما

ارسال دیدگاه

Protected by FormShield

ساير مطالب

آخرین وضع 6 پروژه عمرانی در غیزانیه اهواز تشریح شد

رایج‌ترین مشکلات گلکسی J4 Core سامسونگ

از پردازنده های نسل دهم Core i5 دو نمونه متفاوت وجود دارد!

تبدیل جزیره کیش به مرکز علمی ایران در میان مناطق آزاد کشور

آنچه تجربیات نزدیک به مرگ درمورد مغز نشان می‌دهد

ابرآروان به 300 استارتاپ خدمات رایگان ارائه می‌کند

شجاعی برهان در مراسم معارفه سرپرست اداره تعاون، کار و رفاه اجتماعی اصفهان: شفافیت و تکریم منابع انسانی شعار و محور عملکردی وزارت تعاون، کار و رفاه اجتماعی است

ساخت اپل آیدی برای ایرانی ها غیر ممکن تر شد

حجم فایل بازی The Last of Us Part II چقدر خواهد بود؟

گوشی‌های آنر Play 4 و Play 4 Pro بزودی معرفی می‌شوند

آموزش تغییر یا به روز رسانی توزیع لینوکس بدون پاک کردن اطلاعات

آیا خودروهای برقی به‌اندازه‌ی کافی ایمن هستند؟

فیسبوک نام کیف پول ارز دیجیتال خود را به Novi تغییر داد

افتتاح پروژه‌های پیشران «اقتصاد دیجیتال» توسط رئیس جمهور

تولید انبوه تراشه 5 نانومتری اگزینوس بزودی آغاز می شود

قابلیت جدید نسخه وب جیمیل شخصی‌سازی اینباکس را آسان‌تر می‌کند

مالزی تمایلی به همکاری با هواوی ندارد

لنوو تبلت‌هایی با کیبورد بلوتوثی جداشدنی معرفی کرد

ساخت اپل آیدی مشروط به داشتن شماره خارجی شد

رئیس مجلس یازدهم انتخاب شد

رونمایی پروژه‌های ‎اقتصاد دیجیتال با حضور رئیس‌جمهور

چرا عمر باتری موبایل شما هیچ ارتباطی به ظرفیت آن ندارد؟

به‌روزرسان 1٫1 بازی Doom Eternal منتشر شد

ترامپ از شبکه های اجتماعی انتقام می گیرد

با مینی کامپیوترهای اینتل می‌توانید سنگین‌ترین بازی‌ها را اجرا کنید

آفرپخش؛ عمده فروشی لوازم جانبی موبایل

بازی Far Cry 5 را برای مدت محدودی رایگان دریافت کنید

چرا عمر باتری موبایل شما هیچ ارتباطی به ظرفیت باتری آن ندارد؟

اپل آیفونی بدون درگاه تولید خواهد کرد

آیفون 13 اپل احتمالا نخستین آیفون بدون درگاه خواهد بود

بی ام و M760Li با تیونینگ اتوداینامیکس معرفی شد

ردمی دیسپلی 1A ؛ نخستین نمایشگر کامپیوتری برند Redmi

تولد نهمین نسل آهوی مغان در سایت تکثیر و احیای آهوی مغان

مجوز زیست محیطی طرح انتقال آب بن- بروجن لغو نشده است

کرونا فروش جهانی محصولات الکترونیکی را کاهش می‌دهد

جوجه آوری بیش از چهار هزار قطعه گونه گاوچرانک در شهرستان پارس آباد

رویداد جدیدی با محوریت Marvel’s Avengers تایید شد

ایمن شدن Google Drive در سیستم‌عامل‌های اپل

همه چیز درباره هلن کلر

پوشش زنده ویدیویی زومیت از پرتاب تاریخی کپسول کرو دراگون اسپیس ایکس [شروع شد]

بررسی ویدیویی ردمی نوت 8 شیائومی

تلویزیون محبوب گیمرها وارد بازار شد

قیمت گلکسی M01 حدودا 118 دلار خواهد بود

هندی‌ها با پرتاب ده‌ها ماهواره، شبکه ‌5G را در این کشور برقرار می‌کنند

بازی Far Cry 5 را به صورت رایگان تجربه کنید

برادر ثروتمندترین جنایتکار تاریخ از اپل شکایت کرد

بررسی ریزر بلید استلث 2019

شیائومی Redmi 9 گواهی تأییدیه بلوتوث دریافت کرد

با این روش ساده، کارکرد ماسک‌های بهداشتی را برای محافظت دربرابر کرونا بهبود دهید

در گوگل اسیستنت امکان خرید ازطریق صدا فراهم می‌شود