Immagina di insegnare a un computer a riconoscere un cane. Gli mostri migliaia di foto: un golden retriever in un parco soleggiato, un barboncino in un vicolo piovoso, un husky nella neve. Il computer impara bene, ma potrebbe fare affidamento su delle scorciatoie. Invece di imparare cosa rende un cane un cane, potrebbe imparare che i cani nelle tue foto appaiono sempre sull'erba verde o contro cieli blu. Se poi mostrassi al computer la foto di un cane su un tappeto rosso, potrebbe fallire completamente perché non ha mai imparato l'animale in sé, solo lo sfondo. Questo è un problema comune nell'intelligenza artificiale noto come "domain shift" (spostamento di dominio), dove un modello addestrato in un ambiente fatica quando le condizioni cambiano. Gli scienziati stanno cercando di risolvere questo problema insegnando ai computer a ignorare il paesaggio mutevole e a concentrarsi solo sulle caratteristiche essenziali dell'oggetto.

Un team di ricercatori dell'Università del Delaware ha proposto un nuovo modo per aiutare i computer a fare esattamente questo. Chiamano il loro metodo FOCUS, che sta per Feature Orthogonalization via Contrastive Upper-bound Separation (Ortogonalizzazione delle Caratteristiche tramite Separazione del Limite Superiore Contrastivo). L'idea centrale è quella di costringere il computer a dividere la sua comprensione di un'immagine in due parti separate: una parte che descrive cos'è l'oggetto, e un'altra che descrive dove è stata scattata la foto o quale stile possiede. Mantenendo queste due informazioni strettamente separate, il computer diventa molto più bravo a riconoscere gli oggetti in nuovi ambienti mai visti prima. I ricercatori hanno testato questa idea su quattro diversi set di immagini, che vanno da schizzi e cartoni animati a foto reali di animali nella natura. Hanno scoperto che il loro metodo ha migliorato l'accuratezza del computer tra lo 0,70% e il 2,70% rispetto ai migliori metodi esistenti, con i guadagni più significativi riscontrati nel compito difficile di identificare animali nella natura.

I ricercatori sono partiti da un'osservazione semplice: i modelli standard di visione artificiale spesso si confondono perché mescolano l'identità di un oggetto con lo stile dell'immagine. Per risolvere il problema, hanno costruito un sistema con due percorsi distinti, o "rami", per l'elaborazione delle informazioni. Un ramo è dedicato all'apprendimento del contenuto dell'immagine, come la forma di un cane o il colore di un'auto. L'altro ramo è dedicato all'apprendimento del dominio, che include fattori come l'illuminazione, la fotocamera utilizzata o lo stile artistico del disegno. L'obiettivo è che il ramo del contenuto diventi così bravo a identificare l'oggetto da non aver bisogno di guardare lo sfondo o lo stile, mentre il ramo del dominio cattura tutti quei dettagli extra.

Tuttavia, avere semplicemente due rami non è sufficiente. I ricercatori si sono resi conto che se questi due rami sono lasciati liberi di comunicare troppo tra loro, il ramo del contenuto potrebbe comunque infilare indizi provenienti dal ramo del dominio, portando il computer agli stessi errori. Per evitare questo, hanno introdotto una regola che forza i due rami a rimanere statisticamente indipendenti. In parole povere, questo significa che l'informazione nel ramo del contenuto non dovrebbe aiutare a predire l'informazione nel ramo del dominio, e viceversa. Se il computer impara che una forma specifica appare sempre con uno sfondo specifico, fallisce quando quello sfondo cambia. Rompendo questo legame, il computer è costretto a fare affidamento solo sulla forma stessa.

Per imporre questa separazione, i ricercatori hanno utilizzato uno strumento matematico chiamato informazione mutua (mutual information). Pensa all'informazione mutua come a una misura di quanto due cose dicano l'una all'altra. Se conosci il meteo, e questo ti dice molto sul fatto che le persone portino ombrelli, l'informazione mutua tra meteo e ombrelli è alta. I ricercatori volevano che l'informazione mutua tra il "cosa" (l'oggetto) e il "dove" (il dominio) fosse il più vicino possibile allo zero. Hanno sviluppato un modo per calcolare questo numero e lo hanno usato come penalità durante l'addestramento. Ogni volta che i due rami iniziavano a condividere troppe informazioni, il sistema applicava una penalità, spingendoli nuovamente l'uno lontano dall'altro.

Il documento presenta un colpo di scena interessante su come viene effettuato questo calcolo. I ricercatori inizialmente hanno utilizzato un metodo che fornisce un limite superiore su quanto i rami siano connessi. Successivamente, hanno testato un metodo diverso che fornisce un limite inferiore. È come cercare di misurare la distanza tra due città: un metodo garantisce che la distanza sia al massimo un certo numero, mentre l'altro garantisce che sia almeno un certo numero. I ricercatori volevano vedere se il modo specifico in cui calcolavano questa distanza importasse per il risultato finale. Hanno scoperto che entrambi i metodi funzionavano molto bene. Il metodo che imposta un limite superiore ha dato un punteggio leggermente migliore in alcuni test, ma il metodo che imposta un limite inferiore ha performato quasi altrettanto bene. Ciò suggerisce che la parte più importante della soluzione non è la matematica specifica usata per misurare la connessione, ma l'atto stesso di forzare il computer a separare l'oggetto dal suo sfondo.

Il team ha testato il loro sistema su quattro benchmark principali per garantire che funzionasse attraverso diversi tipi di sfide. Il primo era una collezione di immagini che mostravano oggetti in quattro stili diversi: foto, dipinti, cartoni animati e schizzi. Il secondo coinvolgeva immagini da quattro diversi dataset, che variano per il modo in cui sono state scattate e per gli sfondi che mostrano. Il terzo era una grande collezione di oggetti da ufficio e domestici, che spaziavano dai disegni artistici alle foto di prodotti reali. Il quarto era un set di immagini particolarmente difficile scattate da fototrappole nella natura, che mostravano animali nei loro habitat naturali. Queste immagini selvatiche sono complicate perché lo sfondo, l'illuminazione e l'angolo della fotocamera cambiano drasticamente da un luogo all'altro, e il computer spesso scambia questi indizi ambientali per l'identità dell'animale.

Nei test sugli stili artistici e sugli oggetti da ufficio, il nuovo metodo ha migliorato l'accuratezza del computer di circa lo 0,70% - 1,26% rispetto ai precedenti migliori metodi. Sebbene questi numeri possano sembrare piccoli, nel mondo dell'intelligenza artificiale, anche un miglioramento di una frazione di percentuale è significativo perché rappresenta un vero passo avanti nella affidabilità. Il miglioramento più drammatico, tuttavia, è avvenuto nel compito di riconoscimento degli animali selvatici. Qui, il nuovo metodo ha aumentato l'accuratezza del 2,70%. Si tratta di un guadagno sostanziale, che suggerisce come il metodo sia particolarmente efficace nel gestire le variazioni disordinate e imprevedibili della natura. I ricercatori hanno notato che, in natura, dove una fotocamera potrebbe catturare un cervo sotto la luce intensa del sole o in una zona d'ombra profonda, il computer spesso si affida all'illuminazione per indovinare l'animale. Costringendo il computer a ignorare l'illuminazione e a concentrarsi solo sul cervo, il sistema è diventato molto più robusto.

I ricercatori hanno anche esaminato attentamente come il computer impara durante il processo di addestramento. Hanno scoperto che i due diversi metodi matematici utilizzati per misurare la connessione tra i rami si comportavano in modo piuttosto diverso. Un metodo produceva numeri che erano naturalmente bilanciati con le altre parti del processo di apprendimento, rendendo l'addestramento più facile senza continui aggiustamenti. L'altro metodo produceva numeri molto più grandi, richiedendo ai ricercatori di scalarli con cura affinché non travolgessero il processo di apprendimento. Nonostante queste differenze nel modo in cui l'addestramento veniva percepito, entrambi i metodi portavano a risultati finali simili. Questa scoperta è importante perché suggerisce che il successo dell'approccio è robusto. Non dipende da un singolo, fragile trucco matematico, ma dal principio fondamentale di separare l'oggetto dal suo contesto.

Lo studio conclude che la chiave per rendere i computer più affidabili nel mondo reale è insegnare loro a scindere ciò che un oggetto è da dove viene visto. Modellando esplicitamente lo sfondo e lo stile come un'entità separata e poi costringendo il computer a ignorare tale entità quando identifica l'oggetto, il sistema diventa molto più difficile da ingannare. I ricercatori hanno scoperto che, mentre lo strumento specifico usato per misurare la separazione conta per il modo in cui il computer impara, l'atto della separazione stessa è ciò che guida il miglioramento. Questo approccio offre una strada promettente per costruire un'intelligenza artificiale capace di adattarsi a nuovi ambienti senza dover essere riaddestrata da zero ogni volta che il paesaggio cambia.

In definitiva, il lavoro dimostra che la capacità di un computer di generalizzare a nuove situazioni non riguarda solo il vedere più esempi, ma il vedere il tipo giusto di esempi. Insegnando alla macchina a distinguere tra le caratteristiche permanenti di un oggetto e le caratteristiche temporanee del suo ambiente, i ricercatori hanno creato un sistema meno propenso a essere confuso da un cambiamento di luce, da una fotocamera diversa o da un nuovo stile artistico. I risultati suggeriscono che questa strategia di separazione è uno strumento potente per rendere l'intelligenza artificiale più affidabile e capace di operare nella complessa e mutevole realtà del mondo reale.