在孩子身上发现的学习偏见有助于制作A.I.技术更好


iSpeech

像神经网络一样的机器学习工具背后的理论是它们起作用,更具体地说,它们以类似于人类大脑的方式学习。就像我们通过反复试验发现世界一样,现代人工智能也是如此。然而,在实践中,事情有点不同。儿童学习的各个方面都是机器无法复制的 - 而且它们是许多领域中使人类成为优秀学习者的事物之一。

纽约大学的研究人员正在努力改变这种状况。研究人员Kanishk GandhiBrenden Lake已经探讨了儿童中存在的所谓“互斥性偏见”如何在学习语言等学习任务时帮助提高AI。

“当孩子们努力学习一个新单词时,他们依靠归纳偏见来缩小可能意义的空间,”纽约大学人机学习实验室的研究生甘地告诉“数字趋势”。 “相互排他性(ME)是一种信念,即孩子们认为如果一个物体有一个名字,它就不能有另一个名字。相互排他性有助于我们理解模糊语境中新词的含义。例如,[如果]儿童被告知在向他们展示一个熟悉的和不熟悉的物体时“告诉我dax”,他们倾向于挑选不熟悉的物品。“

相互排他性偏见ai告诉我dax

研究人员希望通过他们的工作探索一些想法。一个是研究使用共同学习范式训练的深度学习算法是否会互相排斥。他们还想看看,通过互斥的推理是否有助于在通常使用深度学习解决的任务中学习算法。

为了进行这些调查,研究人员首先训练了400个神经网络,将成对的单词与其意义联系起来。然后用他们以前从未见过的10个单词测试神经网络。他们预测新词可能与已知含义相对应,而不是未知含义。这表明AI没有排他性偏见。接下来,研究人员分析了帮助AI翻译语言的数据集。这有助于表明排他性偏见对机器有利。

“我们的研究结果表明,这些特征与普通机器学习任务的结构不匹配,”甘地继续说道。 “ME可以作为常见翻译和分类任务的推广线索,特别是在培训的早期阶段。我们相信,展示偏见将有助于学习算法以更快,更适应的方式学习。“

正如Gandhi和Lake 在一篇描述他们工作的论文中所写的那样 :“强烈的归纳偏见让孩子们能够以快速和适应性的方式学习......有一个令人信服的案例来设计神经网络,这种神经网络是互斥的,这仍然是一个开放的挑战。”

Previous Entries 沃尔玛将10.5英寸256GB Apple iPad Pro降至最低价 Next Entries 如何在iPhone上录制屏幕

發表評論