فراکتال ها می توانند به هوش مصنوعی کمک کنند تا ببیند واضح تر – یا حداقل منصفانه است


مشکل این است که جمع آوری دستی یک مجموعه داده مانند ImageNet به زمان و تلاش زیادی نیاز دارد. تصاویر معمولاً توسط کارگران کم درآمد برچسب گذاری می شوند. مجموعه داده ها همچنین ممکن است حاوی برچسب های نژادپرستانه یا نژادپرستانه باشند که می توانند یک مدل را به روشهای پنهانی معتاد کنند و همچنین تصاویری از افرادی که بدون رضایت آنها درج شده اند. شواهدی وجود دارد که نشان می دهد این تعصبات حتی در صورت آموزش قبلی نیز ممکن است ایجاد شود.

با این حال ، الگوهای فراکتال را می توان در همه موارد ، از درختان و گلها تا ابرها و امواج یافت. این امر باعث شد تیمی از م Instituteسسه ملی علوم و فنون پیشرفته صنعتی ژاپن (AIST) ، انستیتوی فناوری توکیو و دانشگاه توکیو دنکی س questionال کنند که آیا می توان از این مدل ها برای آموزش سیستم تشخیص تصویر در اصول شناخت تصویر استفاده کرد به جای استفاده از تصاویر اشیا real واقعی.

محققان FractalDB ، تعداد نامحدود فراکتال های تولید شده توسط کامپیوتر را ایجاد کرده اند. برخی از آنها مانند برگ ، برخی دیگر مانند دانه های برف یا پوسته حلزون به نظر می رسند. هر گروه از مدل های مشابه به طور خودکار برچسب دریافت می کنند. آنها سپس از FractalDB قبل از اینکه آموزش خود را با مجموعه ای از تصاویر واقعی به پایان برسانند ، از قبل یک شبکه عصبی کانولوشن ، نوعی مدل یادگیری عمیق که اغلب در سیستم های تشخیص تصویر استفاده می شود ، تهیه کردند. آنها دریافتند که عملکرد آن تقریباً به همان خوبی مدلهای آموزش دیده در مجموعه داده های مدرن ، از جمله ImageNet و Places است که شامل 2.5 میلیون تصویر از صحنه های فضای باز است.

آیا این کار می کند؟ آن نگوین از دانشگاه آبرن در آلاباما ، که در این مطالعه شرکت نکرد ، مطمئن نیست که FractalDB برای تصاویر مشابه مناسب است. وی مطالعه کرد که چگونه مدل های انتزاعی می توانند سیستم های شناسایی تصویر را گیج کنند. وی می گوید: “بین این كار و مثالهایی كه دستگاهها را گمراه می كند ارتباط وجود دارد.” او می خواهد نحوه کارکرد این رویکرد جدید را با جزئیات بیشتری بررسی کند. اما محققان ژاپنی معتقدند که با تغییر رویکردشان ، مجموعه داده های تولید شده توسط رایانه مانند FractalDB می توانند جایگزین مجموعه های موجود شوند.

چرا فرکتال ها: محققان همچنین سعی کردند هوش مصنوعی خود را با استفاده از سایر تصاویر انتزاعی ، از جمله تصاویر ناشی از نویز پرلین ، که الگوهای لکه دار ایجاد می کند ، و منحنی های Bézier ، نوعی منحنی مورد استفاده در گرافیک رایانه ، آموزش دهند. اما فراکتال ها بهترین نتیجه را دادند. هیروکاتسو کاتائوکا ، نویسنده اصلی ، از AIST می گوید: “هندسه فراکتال در دانش پیشینه جهان وجود دارد.”


منبع: unbox-khabar.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>