Unsupervised Cognition
Dieses Paper schlägt einen neuartigen, repräsentationszentrierten unüberwachten Lernansatz vor, der von einem primitivenbasierten Kognitionsframework inspiriert ist, das einen verteilten hierarchischen Eingangsraum konstruiert und eine überlegene Leistung gegenüber dem Stand der Technik bei verschiedenen Klassifikationsaufgaben zeigt, während es gleichzeitig distinkte, kognitionsähnliche Verhaltensweisen aufweist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Computer beizubringen, Dinge zu erkennen, wie zum Beispiel Zahlen oder Arten von Krebs, aber Sie geben ihm kein Lehrbuch mit den Antworten. Sie zeigen ihm einfach nur Beispiele und sagen: „Finde es selbst heraus.“ Dies nennt man unüberwachtes Lernen (unsupervised learning).
Die meisten aktuellen Computer machen dies, indem sie wie ein strenger Bibliothekar agieren. Sie betrachten die „Form“ oder den mathematischen Abstand zwischen Objekten und stecken sie in Behälter. Wenn zwei Zahlen mathematisch ähnlich aussehen, kommen sie in dieselbe Box. Das Problem? Manchmal sind Dinge, die mathematisch ähnlich aussehen, in unserem Geist nicht dasselbe „Ding“, und Dinge, die unterschiedlich aussehen, können dasselbe Konzept sein.
Dieses Paper stellt eine neue Denkweise vor, die Unüberwachte Kognition genannt wird. Anstatt nur Objekte in Behälter zu sortieren, schlägt die Autoren ein System vor, das versucht, ein mentales Modell dessen aufzubauen, was Dinge sind, ähnlich wie das menschliche Gehirn lernt. Sie nennen ihren neuen Algorithmus Nodule.
So funktioniert es, unter Verwendung folgender Alltagsanalogien:
1. Der Übersetzer (Die Verkörperung/Embodiment)
Bevor der Computer lernen kann, muss er die gleiche Sprache wie das Gehirn sprechen. Das Paper verwendet einen Übersetzer namens Embodiment.
- Die Analogie: Stellen Sie sich vor, Sie haben ein Buch in englischer Sprache (Ihre Daten: Zahlen, Bilder usw.). Das Embodiment übersetzt dieses Buch in einen speziellen Code aus Punkten und Strichen (genannt Sparse Distributed Representations oder SDRs).
- Warum? Dieser Code ist universell. Egal, ob der Input ein Bild einer Katze oder eine Liste von Aktienkursen ist, der Computer verwandelt sie alle in dieselbe Art von „Punkt-Code“. Dies macht das System „input-agnostisch“, was bedeutet, dass es nicht spielt, welche Art von Daten es betrachtet; es sieht nur das Muster der Punkte.
2. Die Bausteine (Fußabdrücke und Zellen)
Soblich die Daten in „Punkt-Code“ vorliegen, beginnt der Nodule mit dem Aufbau. Er speichert nicht einfach Kopien der Bilder; er baut konstruktive Repräsentationen auf.
- Der Fußabdruck (Footprint): Betrachten Sie einen Fußabdruck als eine einzelne, grobe Skizze eines Objekts. Es ist kein perfektes Foto; es ist eine durchschnittliche Vorstellung davon, wie dieses Objekt aussieht. Wenn Sie einen Hund sehen, erfasst der Fußabdruck das „Hund-Sein“ dieses Tieres.
- Die Zelle (Cell): Eine Zelle ist ein Ordner, der viele Fußabdrücke enthält. Wenn Sie einen Golden Retriever und einen Pudel sehen, könnte die Zelle zwei Fußabdrücke haben: einen für „große, flauschige Hunde“ und einen für „kleine, lockige Hunde“.
- Der Nodule (Die Hierarchie): Dies ist der magische Teil. Der Nodule organisiert diese Zellen in einem Stammbaum.
- An der Spitze haben Sie eine „Seed Cell“ (Saat-Zelle), die etwas über „Tiere“ im Allgemeinen weiß.
- Darunter gibt es Zweige für „Hunde“, „Katzen“ usw.
- Weiter unten gibt es spezifische Zweige für „Golden Retriever“.
- Die Analogie: Stellen Sie sich einen Detektiv vor, der einen Fall löst. Zuerst fragt er: „Ist es ein Mensch oder ein Tier?“ (Obere Ebene). Dann: „Ist es ein Hund?“ (Mittlere Ebene). Schließlich: „Ist es ein Golden Retriever?“ (Untere Ebene). Der Nodule baut diesen Baum automatisch auf, während er neue Daten sieht.
3. Die „Ich weiß es nicht“-Superkraft
Die meisten Computer sind verzweifelt darauf bedacht, Ihnen eine Antwort zu geben, selbst wenn sie nur raten. Wenn Sie einem Computer das Bild eines Toasters zeigen und fragen: „Welche Zahl ist das?“, könnte eine Standard-KI raten, dass es eine „7“ ist, weil sie ein bisschen wie eine 7 aussieht.
Der Nodule ist anders. Er besitzt einen eingebauten „Konfidenz- ever (Vertrauensmesser).
- Die Analogie: Wenn Sie dem Nodule ein Bild eines Toasters zeigen, prüft er seinen mentalen Baum. Er fragt: „Sieht das wie irgendeiner der Fußabdrücke aus, die ich gelernt habe?“ Wenn die Antwort lautet: „Nein, das passt zu keinem meiner Skizzen“, wird er ehrlich sagen: „Ich weiß es nicht.“
- Er wird nicht halluzinieren oder ein Label erfinden. Er gibt zu, dass er dieses Muster noch nicht gesehen hat. Dies ist ein riesiger Faktor für Sicherheit und Zuverlässigkeit.
4. Die „Räumliche Aufmerksamkeit“ (Der Auto-Regulator)
Wie weiß der Computer, wie ähnlich sich zwei Dinge sein müssen, um als dasselbe betrachtet zu werden?
- Die Analogie: Stellen Sie sich einen Türsteher in einem Club vor. Ein strenger Türsteher lässt vielleicht nur Leute hinein, die exakt auf der VIP-Liste stehen. Ein lockerer Türsteher lässt jeden rein, der halbwegs so aussieht wie sie.
- Der Spatial Attention Modulator ist der Türsteher, der seine eigene Strenge anpasst. Wenn der Club voller sehr ähnlicher Leute ist (wie ein Raum voller identischer Zwillinge), wird der Türsteher streng. Wenn die Menge sehr vielfältig ist, wird der Türsteher lockerer. Er findet dies automatisch heraus, ohne dass der Programmierer die Regeln festlegen muss.
Was haben sie getestet?
Die Autoren testeten dieses „Nodule“-System gegen die aktuellen Champions des unüberwachten Lernens (wie K-Means und IIC).
- Die Ergebnisse:
- Geschwindigkeit & Effizienz: Es lernte genauso gut wie die Top-Methoden, benötigte aber oft weita Viel weniger Beispiele, um dorthin zu gelangen.
- Defekte Daten: Als sie das System mit unordentlichen Daten testeten (bei denen Teile der Information fehlten, wie ein Foto, bei dem die Hälfte der Pixel geschwärzt ist), schnitt Nodule signifikant besser ab als die anderen.
- Medizinische Daten: Sie testeten es auf einem Datensatz zur Klassifizierung von Krebsarten und übertrafen damit die aktuellen State-of-the-Art-Methoden.
- Kognitionstest: Sie testeten, ob das System Zahlen erkennen kann, selbst wenn zufällige Pixel entfernt wurden (wie bei einem unscharfen Foto). Menschen können immer noch eine „3“ erkennen, selbst wenn die Hälfte der Pixel fehlt. Der Nodule konnte dies ebenfalls, während andere Algorithmen scheiterten. Dies deutet darauf hin, dass der Nodule ein wahres „Konzept“ der Zahl aufbaut und nicht nur Pixelmuster auswendig lernt.
Der Haken (Einschränkungen)
Das Paper gibt zu, dass das System noch nicht perfekt ist.
- Speicher: Da es einen detaillierten Baum aus „Fußabdrücken“ aufbaut und so viele Variationen speichert, verbraucht es viel Computerspeicher.
- Keine „Beste-Antwort“-Maschine: Es konzentriert sich darauf, ein gutes Verständnis der Welt aufzubauen, nicht unbedingt darauf, den mathematisch „perfekten“ Cluster zu finden. Manchmal bedeutet dies, dass es ein etwas schlechterer Klassifizierer als ein spezialisiertes Optimierungswerkzeug ist, aber es ist viel besser darin, die Struktur der Daten zu verstehen.
Zusammenfassung
Kurz gesagt schlägt dieses Paper einen neuen Weg vor, wie Computer ohne Lehrer lernen können. Anstatt Daten nur in Haufen zu sortieren, baut es ein hierarchisches, selbstkorrigierendes mentales Modell auf, das auch „Ich weiß es nicht“ sagen kann, wenn es verwirrt ist. Es agiert weniger wie ein Taschenrechner und mehr wie ein neugieriger Lernender, was vielversprechend ist, wenn es darum geht, mit unordentlichen Daten umzugehen und Muster zu erkennen, selbst wenn diese unvollständig sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.