Los humanos aprenden a identificar rápidamente objetos complejos y variaciones de ellos. Generalmente reconocemos una "A" sin importar la fuente, textura o fondo, por ejemplo, o la cara de un compañero de trabajo, incluso si se pone un sombrero o cambiasu peinado. También podemos identificar un objeto cuando solo una parte es visible, como la esquina de una cama o la bisagra de una puerta. Pero ¿cómo? ¿Existen técnicas simples que los humanos usan en diversas tareas? ¿Y pueden ser tales técnicas computacionalmente?replicado para mejorar la visión por computadora, el aprendizaje automático o el rendimiento robótico?
Los investigadores de Georgia Tech descubrieron que los humanos pueden clasificar los datos utilizando menos del 1 por ciento de la información original, y validaron un algoritmo para explicar el aprendizaje humano, un método que también se puede utilizar para el aprendizaje automático, el análisis de datos y la visión por computadora.
"¿Cómo damos sentido a la cantidad de datos que nos rodean, de tantos tipos diferentes, de manera rápida y robusta?", Dijo Santosh Vempala, Profesor Distinguido de Ciencias de la Computación en el Instituto de Tecnología de Georgia y uno de los cuatro investigadores del proyecto"En un nivel fundamental, ¿cómo comienzan los humanos a hacer eso? Es un problema computacional".
Los investigadores Rosa Arriaga, Maya Cakmak, David Rutter y Vempala en la Facultad de Informática de Georgia Tech estudiaron el desempeño humano en pruebas de "proyección aleatoria" para comprender qué tan bien los humanos aprenden un objeto. Presentaron a los sujetos de prueba imágenes originales y abstractas y luego preguntaronsi podrían identificar correctamente esa misma imagen cuando se muestra al azar solo una pequeña parte de ella.
"Presumimos que la proyección aleatoria podría ser una forma en que los humanos aprenden", explica Arriaga, investigadora sénior y psicóloga del desarrollo. "La historia corta es que la predicción era correcta. Solo el 0,15 por ciento de los datos totales es suficiente para los humanos"
Luego, los investigadores probaron un algoritmo computacional para permitir que las máquinas redes neuronales muy simples realicen las mismas pruebas. Las máquinas funcionaron tan bien como los humanos, lo que proporciona una nueva comprensión de cómo aprenden los humanos ". Encontramos evidencia de que, de hecho,el humano y la red neuronal se comportan de manera muy similar ", dijo Arriaga.
Los investigadores querían llegar a una definición matemática de cómo se ven los estímulos típicos y atípicos y, a partir de eso, predecir qué datos serían más difíciles de aprender para el humano y la máquina. Los humanos y las máquinas se desempeñaron por igual, demostrando que de hecho uno puedepredecir qué datos serán más difíciles de aprender con el tiempo.
Los resultados se publicaron recientemente en la revista Computación neuronal MIT press. Se cree que es el primer estudio de "proyección aleatoria", el componente central de la teoría de los investigadores, con sujetos humanos.
Para probar su teoría, los investigadores crearon tres familias de imágenes abstractas a 150 x 150 píxeles, luego pequeños "bocetos aleatorios" de esas imágenes. A los sujetos de prueba se les mostró la imagen completa durante 10 segundos, luego se mostraron al azar 16 bocetos de cada unoEl uso de imágenes abstractas aseguró que ni los humanos ni las máquinas tuvieran conocimiento previo de lo que eran los objetos.
"Nos sorprendió lo cerca que estaba la actuación entre las redes neuronales extremadamente simples y los humanos", dijo Vempala. "El diseño de las redes neuronales se inspiró en cómo pensamos que los humanos aprenden, pero es una inspiración débil. Encontrar que coincideel rendimiento humano es toda una sorpresa "
"Este fascinante artículo presenta una proyección aleatoria localizada que comprime las imágenes mientras hace posible que los humanos y las máquinas distingan categorías amplias", dijo Sanjoy Dasgupta, profesor de ciencias de la computación e ingeniería en la Universidad de California en San Diego y experto enaprendizaje automático y proyección aleatoria: "Es una combinación creativa de ideas de geometría, cálculo neuronal y aprendizaje automático".
Aunque los investigadores no pueden afirmar definitivamente que el cerebro humano realmente se involucra en la proyección aleatoria, los resultados respaldan la noción de que la proyección aleatoria es una explicación plausible, concluyen los autores. Además, sugiere una técnica muy útil para el aprendizaje automático: hay grandes datoses un desafío formidable hoy en día, y la proyección aleatoria es una forma de hacer que los datos sean manejables sin perder contenido esencial, al menos para tareas básicas como la categorización y la toma de decisiones.
La teoría algorítmica del aprendizaje basada en la proyección aleatoria ya se ha citado más de 300 veces y se ha convertido en una técnica de uso común en el aprendizaje automático para manejar grandes datos de diversos tipos.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Georgia . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :