Vers un mécanisme universel pour un apprentissage profond réussi
La classification d’images est une tâche complexe que les architectures d’apprentissage profond exécutent avec succès. Ces architectures profondes sont généralement composées de plusieurs couches, chaque couche étant constituée de nombreux filtres.
Il est communément admis qu'à mesure que l'image progresse à travers les couches, des caractéristiques améliorées et des caractéristiques des caractéristiques de l'image sont révélées. Pourtant, ces caractéristiques et caractéristiques des caractéristiques ne sont pas quantifiables et le fonctionnement de l’apprentissage automatique reste donc un casse-tête.
Dans un article récemment publié dans Rapports scientifiquesdes chercheurs de l'Université Bar-Ilan révèlent le mécanisme qui sous-tend le succès de l'apprentissage automatique, qui lui permet d'effectuer des tâches de classification avec un succès retentissant.
« Chaque filtre reconnaît essentiellement un petit groupe d'images et, à mesure que les couches progressent, la reconnaissance s'affine. Nous avons trouvé un moyen de mesurer quantitativement les performances d'un seul filtre », a déclaré le professeur Ido Kanter du département de physique et de physique de Bar-Ilan. Centre multidisciplinaire de recherche sur le cerveau Gonda (Goldschmied), qui a dirigé la recherche.
« Cette découverte peut ouvrir la voie à une meilleure compréhension du fonctionnement de l'IA », a déclaré le docteur. étudiant Yuval Meir, l'un des principaux contributeurs au travail. « Cela peut améliorer la latence, l'utilisation de la mémoire et la complexité de l'architecture sans réduire la précision globale. »
Même si l’IA est à l’avant-garde des progrès technologiques récents, comprendre le fonctionnement réel de ces machines peut ouvrir la voie à une IA encore plus avancée.
