研究人员开发“液态”神经网络 可适应快速变化的训练环境

想要适应自动驾驶、控制机器人、医疗诊断等场景，就必须让神经网络适应快速变化的各种状况。好消息是，麻省理工（MIT）计算机科学与人工智能实验室（CSAIL）的 Ramin Hasani 团队，已经设计出了一种具有重大改进的“液态”神经网络。其特点是能够在投入训练阶段之后，极大地扩展 AI 技术的灵活性。

通常情况下，研究人员会在训练阶段向神经网络算法提供大量相关的目标数据，来磨炼其推理能力。

期间通过对正确的响应加以奖励，以优化其性能。然而传统的训练方案，明显还是过于“刻板”了。

有鉴于此，Ramin Hasani 与团队成员合作开发了一套新方法，让神经网络可以像“液体”一样，随着时间的流逝而更好地适应“正确”的新信息。

举个例子，如果无人驾驶汽车上的感知神经网络能够分辨晴朗的天空和大雪等环境，就可以更好地顺应情况的变化、并维持较高的性能。

这项新研究的主要特点，是侧重于时间序列的适应性。比之建立于训练数据的多快照或时间上的静态时刻，可流动的液态神经网络可以将时间序列或图像序列也考虑进来，而不是孤立的各个片段。

得益于这种系统设计方法，与传统神经网络相比，MIT 的液态系统实际上更便于开展观察研究。

前一种 AI 通常被称作‘黑盒’，尽管算法开发者明确知晓输入信息的判定准则，但通常无法确定其中到底发生了什么。

而液态神经网络在这部分提升了透明度、对复杂计算节点的依赖性也更少，因此还具有相当不错的成本优势。

最终结果表明，在预测已知数据集的未来值方面，液态神经网络的准确性要显著优于其它替代方案。

下一步，Hasani 将与团队成员继续改进液态神经网络的性能表现，并努力将之推向实际应用。

神经网络数据驾驶训练

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。