微信软文范例大全100,天津网站的优化,免费公司注册,专注于上海seo做网站建设来源#xff1a;全球人工智能过去几年时间里#xff0c;我们有一个完整的团队致力于人工智能研究和实验。该团队专注于开发新的进化计算方法#xff08;EC#xff09;#xff0c;包括设计人工神经网络架构、构建商业应用程序#xff0c;以及使用由自然进化激发的方法来解… 来源全球人工智能过去几年时间里我们有一个完整的团队致力于人工智能研究和实验。该团队专注于开发新的进化计算方法EC包括设计人工神经网络架构、构建商业应用程序以及使用由自然进化激发的方法来解决具有挑战性的计算问题。这一领域的发展势头非常强劲。我们相信进化计算很可能是人工智能技术的下一个重大课题。EC与Deep LearningDL一样都是几十年前引入的EC也能够从可用的计算和大数据中得到提升。然而它解决了一个截然不同的需求我们都知道DL侧重于建模我们已知的知识而EC则专注于创建新的知识。从这个意义上讲它是DL的下个步骤DL能够在熟悉的类别中识别对象和语音而EC使我们能够发现全新的对象和行为-最大化特定目标的对象和行为。因此EC使许多新的应用成为可能为机器人和虚拟代理设计更有效的行为创造更有效和更廉价的卫生干预措施促进农业机械化发展和生物过程。前不久我们发布了5篇论文来报告在这一领域上取得了显著的进展报告主要集中在三个方面1DL架构在三个标准机器学习基准测试中已达到了最新技术水平。2开发技术用于提高实际应用发展的性能和可靠性。3在非常困难的计算问题上证明了进化问题的解决。本文将重点介绍里面的第一个领域即用EC优化DL架构。Sentient揭示了神经进化的突破性研究深度学习的大部分取决于网络的规模和复杂性。随着神经进化DL体系结构即网络拓扑、模块和超参数可以在人类能力之外进行优化。我们将在本文中介绍三个示例Omni Draw、Celeb Match和Music Maker语言建模。在这三个例子中Sentient使用神经进化成功地超越了最先进的DL基准。音乐制作语言建模在语言建模领域系统被训练用来预测“语言库”中的下一个单词例如《华尔街日报》几年内的大量文本集合在网络做出预测结果后这个输入还可以被循环输入从而网络可以生成一个完整的单词序列。有趣的是同样的技术同样适用于音乐序列以下为一个演示。用户输入一些初始音符然后系统根据该起始点即兴创作一首完整的旋律。通过神经元进化Sentient优化了门控周期性长期短期记忆或LSTM节点即网络的“记忆”结构的设计使模型在预测下一个音符时更加准确。在语言建模领域在一个叫Penn Tree Bank的语言语料库中预测下一个词基准是由困惑点定义的用来度量概率模型如何预测真实样本。当然数字越低越好因为我们希望模型在预测下一个单词时“困惑”越少越好。在这种情况下感知器以10.8的困惑点击败了标准的LSTM结构。值得注意的是在过去25年内尽管人类设计了一些LSTM变体LSTM的性能仍然没有得到改善。事实上我们的神经进化实验表明LSTM可以通过增加复杂性即记忆细胞和更多的非线性、平行的途径来显著改善性能。为什么这个突破很重要语言是人类强大而复杂的智能构造。语言建模即预测文本中的下一个单词是衡量机器学习方法如何学习语言结构的基准。因此它是构建自然语言处理系统的代理包括语音和语言接口、机器翻译甚至包括DNA序列和心率诊断等医学数据。而在语言建模基准测试中我们可以做得更好可以使用相同的技术建立更好的语言处理系统。Omni DrawOmniglot是一种可以识别50种不同字母字符的手写字符识别基准包括像西里尔语书面俄语、日语和希伯来语等真实语言以及诸如Tengwar《指环王》中的书面语言等人工语音。上图示例展示了多任务学习模型可以同时学习所有语言并利用不同语言中字符之间的关系。例如用户输入图像系统根据匹配输出不同语言的含义“这将是拉丁语中的X日语中的Y以及Tengwar中的Z等等”——利用日本、Tengwar和拉丁语之间的关系找出哪些角色是最好的匹配。这与单一任务学习环境不同单一环境下模型只对一种语言进行训练并且不能在语言数据集上建立相同的连接。虽然Omniglot是一个数据集的例子但每个语言的数据相对较少。例如它可能只有几个希腊字母但很多都是日语。它能够利用语言之间关系的知识来寻找解决方案。为什么这个很重要对于许多实际应用程序来说标记数据的获取是非常昂贵或危险的例如医疗应用程序、农业和机器人救援因此可以利用与相似或相关数据集的关系自动设计模型在某种程度上可以替代丢失的数据集并提高研究能力。这也是神经进化能力的一个很好的证明语言之间可以有很多的联系方式并且进化发现了将他们的学习结合在一起的最佳方式。Celeb MatchCeleb Match的demo同样适用于多任务学习但它使用的是大规模数据集。该demo是基于CelebA数据集它由约20万张名人图像组成每张图片的标签都由40个二进制标记属性如“男性与女性”、“有无胡子”等等。每个属性都会产生一个“分类任务”它会引导系统检测和识别每个属性。作为趣味附加组件我们创建了一个demo来完成这项任务用户可以为每个属性设置所需的程度并且系统会根据进化的多任务学习网络来确定最接近的名人。例如如果当前的图片为布拉德·皮特的形象用户可以增加“灰色头发”属性已发现哪个名人与他相似但是头发不同。 在CelebA多任务人脸分类领域Sentient使用了演化计算来优化这些检测属性的网络成功将总体三个模型的误差从8%降到了7.94%。这一技术使得人工智能在预测人类、地点和物质世界各种属性的能力上提升了一大步。与基于抽象学习功能找到相似性的训练网络不同它使相似的语义和可解释性也成为可能。原文https://www.sentient.ai/blog/evolution-is-the-new-deep-learning/?spma2c4e.11153959.blogcont554768.14.7c4f381flMPfCF未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
