Zero
Viviamo in un’epoca di reti. Dal social graph di Facebook per le interazioni delle proteine nel corpo, più il mondo è concepito e rappresentato come le connessioni in rete.
E la comprensione di queste connessioni, che a volte può avere mozzafiato implicazioni di business, come quando Larry Page e Sergey Brin, della Stanford University, proposto per la prima modellato reti di pagine Web, chiamato “PageRank”, la fondazione di Google.
Alcuni pezzi grossi di intelligenza artificiale hanno lavorato sui modi per rendere le tecniche di apprendimento automatico e intelligente di capire le reti. Alla fine della scorsa settimana, un gruppo di ricercatori hanno segnalato progressi nell’avere una rete neurale a capire la struttura di un varie reti senza avere piena conoscenza di tutte le di una rete.
Anche: Top 5: le Cose da sapere riguardo AI TechRepublic
La carta, intitolata “Deep Grafico Infomax,” è stato scritto da autore principale Petar Veličković dell’Università di Cambridge, insieme con Yoshua Bengio e William Hamilton di Montréal Istituto per Algoritmi di Apprendimento, i ricercatori della Microsoft, Google, Google Cervello unità, e la Stanford University. Essi propongono un nuovo modo di decifrare invisibili parti di reti.
La loro invenzione, il Profondo Grafico Infomax, distribuisce informazione globale su tutta l’social network Reddit, anche se incompleto, per capire i dettagli più piccoli, “locale” quartieri all’interno di Reddit. Si tratta di un tipo di lavoro arretrato e da immagini di grandi dimensioni a piccoli indizi.
Una rete può essere un qualsiasi insieme di cose che sono uniti da collegamenti. In caso di Reddit, i singoli post da Reddit i membri sono dei link ad altri post, e la rete di connessioni tra i pali dare contesto e il significato di ogni post. Le attività qui è stato per la rete neurale di prevedere la “struttura di comunità” del Reddit rete.
Ma c’è un problema di scalabilità: in una rete molto estesa come Reddit, con milioni di post, è impossibile raccogliere tutti i post e le loro connessioni con partenza da fermo. Questo è un problema di Page e Brin primo fronte, quando erano edificio di Google alla fine degli anni ’90: il PageRank dovuto mappa di tutte le Web senza essere in grado di “vedere” le parti della rete che erano ancora sconosciuti.
La soluzione richiede una pièce de resistance in combinazione di molteplici innovazioni nelle reti neurali.
Anche: MIT alza la posta a ottenere uno AI insegnare a un altro.
Gli autori hanno adattato un lavoro in precedenza noto come “Profondo Infomax” da uno degli autori, Microsoft R. Devon Hjelm. Hjelm Profondo Infomax stava cercando di migliorare il riconoscimento di immagini, non di reti. Attraverso la condivisione di informazioni tra macchie di un’immagine, da un lato, e l’alto livello di “rappresentazioni” di tali immagini, un processo noto come “lo scambio reciproco di informazioni, il” Deep Infomax era in grado di svolgere meglio di altri mezzi di riconoscimento delle immagini.
Gli autori hanno preso il Profondo Infomax approccio e tradotto da immagini di rappresentazioni rete. Si sono formati un convolutional rete neurale, o la CNN, per coordinare ciò che è noto su una piccola area di la topologia della rete, con ciò che è noto circa la rete globale. Così facendo, si ri-creato “etichette” che di solito sono forniti da esseri umani per formare una IA modello. L’uso reciproco di informazioni essenzialmente ri-crea la “supervisione” che le etichette di solito forniscono a una rete neurale.
Gli autori fanno il punto che la Profonda Grafico Infomax è in grado di essere competitivi con altri programmi per l’analisi dei grafici che non ha mai visto prima, conosciuta come induttivo analisi. Mentre altri approcci sa solo che i dettagli di una parte della rete, ogni “nodo” nel modello, gli autori hanno creato “ha accesso alle proprietà strutturali dell’intero grafico” della rete.
È interessante notare che, gettando tipici approcci di analisi di rete, che sono conosciuti come “random walk,” gli autori scrivono che il loro approccio è più sofisticato rispetto ad altre analisi.
“Random-walk obiettivo è conosciuto oltre-sottolinea la vicinanza informazioni a scapito di informazioni strutturali.” In questo senso, il random walk ha un pregiudizio, qualcosa AI scienziati vorrebbero eliminare.
In contrasto, Profondo Grafico Infomax rende così ogni singolo nodo della rete è “memore delle proprietà strutturali globali del grafico”.
C’è un punto più grande per il report: reti neurali che possono competere con informazioni sui dettagli con informazioni su immagine più grande, si può ottenere una migliore “rappresentazioni.” Rappresentazioni significa avere un livello maggiore di astrazione su un argomento. Come tale, il lavoro che contribuisce alla continua ricerca di dare AI più alti livelli di comprensione che la semplice correlazione su cui si sono concentrate.
Precedente e relativa copertura
Che cosa è l’IA? Tutto quello che devi sapere
Un esecutivo a guida di intelligenza artificiale, machine learning e generale AI alle reti neurali.
Cos’è il deep learning? Tutto quello che devi sapere
Il lowdown su deep learning: da come si relaziona con il più ampio campo di machine learning a come iniziare con esso.
Che cosa è macchina di apprendimento? Tutto quello che devi sapere
Questa guida spiega in cosa consiste la macchina di apprendimento, di come esso è legato all’intelligenza artificiale, come funziona e perché è importante.
Che cos’è il cloud computing? Tutto quello che devi sapere su
Un’introduzione al cloud computing destra, dalle nozioni di base fino a IaaS e PaaS, ibrido, public e private cloud.
Argomenti Correlati:
Networking
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0