Nul
We leven in een tijdperk van netwerken. Van de social graph van Facebook om de interacties van eiwitten in het lichaam, meer en meer van de wereld wordt opgevat en weergegeven als de verbindingen in een netwerk.
En begrip van die verbindingen kunnen soms hebben uitzicht op de zakelijke implicaties, zoals wanneer Larry Page en Sergey Brin van de Universiteit van Stanford voor het eerst voorgesteld gemodelleerd netwerken van webpagina ‘ s, de zogenaamde “PageRank” de stichting van Google.
Een aantal grote namen in de kunstmatige intelligentie hebben gewerkt aan manieren om de machine learning technieken slimmer over het begrijpen van netwerken. Eind vorige week, een groep die onderzoekers gerapporteerd over de voortgang in het hebben van een neuraal netwerk achterhalen van de structuur van een verschillende netwerken zonder volledige kennis van alle van een netwerk.
Ook: Top 5: Dingen om te weten over AI TechRepublic
Het papier, getiteld “Diep Grafiek Infomax,” is geschreven door leiden schrijver Petar Veličković van de Universiteit van Cambridge, samen met Yoshua Bengio en William Hamilton van de Montréal Instituut voor het Leren van Algoritmen, onderzoekers bij Microsoft, Google Google Hersenen eenheid, en de Stanford University. Ze stellen een nieuwe manier te ontcijferen onzichtbare delen van netwerken.
Hun uitvinding, de Diepe Grafiek Infomax, verdeelt algemene informatie over het geheel van het sociale netwerk Reddit, zij het onvolledige, om erachter te komen de details van de kleinere, lokale wijken binnen Reddit. Het is een soort van werk terug en de grote foto ‘ s aan kleine aanwijzingen.
Een netwerk kan een willekeurige set van dingen die zijn verbonden door verbindingen. In het geval van Reddit, individuele berichten via Reddit leden hebben links naar andere blogs, en het web van verbindingen tussen de palen geven de context en de betekenis van elk bericht. De taak hier was voor het neurale netwerk te voorspellen van de “community” – structuur van het netwerk Reddit.
Maar er is een schaal probleem. In een heel groot netwerk, zoals Reddit, met miljoenen berichten, het is onmogelijk om te verzamelen van alle de posten en hun verbindingen vanuit een staande start. Dit is een probleem Page en Brin eerste geconfronteerd toen ze aan het bouwen waren Google in de late jaren ’90: PageRank had kaart al op het web, zonder dat ze kunnen “zien” van delen van het netwerk dat waren nog onbekend.
De oplossing omvat een pièce de resistance in het combineren van meerdere doorbraken in neurale netwerken.
Ook: MIT ups ante in het krijgen van een AI te leren een andere
De auteurs aangepast een eerdere werk bekend staat als “Diep Infomax” door een van de auteurs, Microsoft ‘ s R. Devon Hjelm. Hjelm Diepe Infomax is proberen het imago te verbeteren erkenning, niet-netwerken. Door het delen van informatie tussen de patches van een afbeelding, aan de ene kant, en de hoog-niveau “verklaringen” van dergelijke afbeeldingen, een proces dat bekend staat als “de onderlinge uitwisseling van informatie,” Diep Infomax was in staat om beter te presteren dan andere middel van beeldherkenning.
De auteurs namen de Diepe Infomax aanpak en het vertalen van beelden naar netwerk van vertegenwoordigingen. Ze getraind convolutional neurale netwerk, of CNN te coördineren wat er bekend is over een klein gebied van de netwerk-topologie met wat bekend is over het netwerk in het algemeen. Door dit te doen, zijn ze weer gemaakt van de “labels” die gewoonlijk wordt geleverd door mensen te trainen, een AI-model. Het gebruik van wederzijdse informatie in wezen maakt het “toezicht” op dat de labels bieden meestal de mogelijkheid om een neuraal netwerk.
De auteurs stellen dat de Diepe Grafiek Infomax is in staat om concurrerend te zijn met andere programma ‘ s voor het analyseren van grafieken die het nog nooit heeft gezien, bekend als de inductieve analyse. Terwijl andere benaderingen alleen weten over de details van een deel van het netwerk, elke “knooppunt” in het model dat de auteurs gemaakt “toegang heeft tot de structurele eigenschappen van de gehele grafiek” van het netwerk.
Interessant is dat door jettisoning typische benaderingen netwerk analyse, die bekend staat als een “random walk” de auteurs schrijven dat hun aanpak is geraffineerder dan de andere analyses.
“De random-walk-doelstelling bekend is over-benadrukken nabijheid informatie op de kosten van de structurele informatie.” In die zin is de random walk heeft een afwijking, iets AI-wetenschappers zou willen elimineren.
In contrast, Diepe Grafiek Infomax maakt het dus elk knooppunt van het netwerk is “bewust zijn van het wereldwijde structurele eigenschappen van de grafiek.”
Er is een grotere punt van het rapport: neurale netwerken die kan overeenkomen met de informatie over de details met informatie over het grotere plaatje, beter kan presteren “vertegenwoordigingen.” Verklaringen betekenen dat een hoger niveau van abstractie over een onderwerp. Als zodanig, het werk draagt bij aan de voortdurende zoektocht op te geven AI hogere niveaus van begrip dan de loutere correlatie waarop het is gericht.
Vorige en aanverwante dekking
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante Onderwerpen:
Netwerken
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0