Эти гибкие алгоритмы, получившие название «жидких» сетей, изменяют лежащие в их основе уравнения, чтобы постоянно адаптироваться к новым входным данным. Прогресс может помочь в принятии решений на основе потоков данных, которые меняются с течением времени, в том числе связанных с медицинской диагностикой и автономным вождением.
«Это путь в будущее управления роботами, обработки естественного языка, обработки видео - любой формы обработки данных временных рядов», - говорит Рамин Хасани, ведущий автор исследования.
Исследование будет представлено на февральской конференции AAAI по искусственному интеллекту.
По словам Хасани, данные временных рядов являются повсеместными и жизненно важными для нашего понимания мира. «Реальный мир - это все о последовательностях. Даже наше восприятие - вы не воспринимаете изображения, вы воспринимаете последовательности изображений», - говорит он. «Итак, данные временных рядов действительно создают нашу реальность».
Он указывает на обработку видео, финансовые данные и медицинские диагностические приложения как на примеры временных рядов, которые имеют ключевое значение для общества. Превратности этих постоянно меняющихся потоков данных могут быть непредсказуемыми. Тем не менее, анализ этих данных в режиме реального времени и их использование для прогнозирования поведения в будущем может ускорить развитие новых технологий, таких как беспилотные автомобили. Итак, Хасани построил алгоритм, подходящий для этой задачи.
Хасани разработал нейронную сеть, которая может адаптироваться к изменчивости реальных систем. Нейронные сети - это алгоритмы, которые распознают шаблоны, анализируя набор «обучающих» примеров.
Хасани закодировал свою нейронную сеть, уделяя особое внимание тому, как нейроны кактивируются и общаются друг с другом с помощью электрических импульсов. В уравнениях, которые он использовал для структурирования своей нейронной сети, он позволял параметрам изменяться во времени на основе результатов вложенного набора дифференциальных уравнений.
Эта гибкость является ключевой. Поведение большинства нейронных сетей фиксируется после фазы обучения, что означает, что они плохо приспосабливаются к изменениям во входящем потоке данных. Хасани говорит, что подвижность его «жидкой» сети делает ее более устойчивой к неожиданным или зашумленным данным, например, если сильный дождь закрывает обзор камеры на беспилотном автомобиле. «Так что он более надежен», - говорит он.
Он добавляет, что у гибкости сети есть еще одно преимущество: «Она более интерпретируема».
Хасани говорит, что его жидкая сеть обходит непостижимость, обычную для других нейронных сетей. «Просто изменив представление нейрона, - что Хасани сделал с дифференциальными уравнениями, - вы действительно сможете исследовать некоторые степени сложности, которые иначе не смогли бы исследовать». Благодаря небольшому количеству высокоэкспрессивных нейронов Хасани легче заглянуть в «черный ящик» принятия решений сетью и диагностировать, почему сеть сделала определенную характеристику.
Сеть Хасани преуспела в серии тестов. Он на несколько процентов опередил другие современные алгоритмы временных рядов в точном прогнозировании будущих значений в наборах данных, начиная от химии атмосферы и заканчивая схемами движения.