点击
上方“IEEE电气电子工程师学会”即可订阅公众号。网罗全球科技前沿动态,为科研创业打开脑洞。
Image: Google Brain
动物天生具有先天的能力和倾向。马在出生后几个小时内就能行走,鸭子在孵化后很快就能游泳,人类的婴儿也会自动地被他人脸部吸引。大脑已经进化成只需很少或根本没有经验就可以面对世界,许多研究人员希望在人工智能中重现这种自然能力。
新的研究发现,人工神经网络可以进化来执行任务而不需要学习。这项技术可以使人工智能更擅长于各种各样的任务,比如给照片贴标签或开车。
人工神经网络是在它们之间传递信息的小计算单元(“神经元”)的排列。这些网络通常通过调整神经元之间连接的“权重”或强度来学习执行游戏或识别图像等任务。一种称为神经架构搜索的技术尝试了许多网络形状和大小,以找到能够更好地学习特定用途的网络。
新方法使用同样的搜索技术来查找权重无关紧要的网络。对于这样一个网络,网络的整体形状会驱动它的智能,并使它特别适合某些任务。
“如果动物有所有这些天生的行为,而一些神经网络在没有大量训练的情况下也能做得很好,我们想知道我们能在多大程度上推动这一想法,”该论文的主要作者、计算机科学家Adam Gaier在Google Brain工作时说。
这个过程从一组非常简单的网络开始,这些网络将机器人传感器的数据输入到行为输出。它评估网络在给定任务上的性能,通过添加一个神经元、添加一个链接或改变一个神经元对其输入总和的敏感程度,保持表现最好的网络,并对其进行变异。在评估阶段,将共享随机数分配给网络的所有权重。(这实际上是对几个随机数进行的,结果是平均的。)
其结果称为权重不可知神经网络(WANNs,Weight Agnostic Neural Networks)。这些网络因在任务中表现良好和简单而获得分数。虽然本研究中任务的典型网络可能有数千个神经元和权重,但广域网只有少量神经元和单个权重。
研究团队将其与标准网络架构进行了比较,后者通过经验对权重进行优化,以掌握三个模拟任务:驾驶赛车、使双足机器人行走、控制轮式推车平衡杆。
在涉及识别书面数字的任务中,WANNs的准确率达到90%以上(而接受过该任务训练的大型网络的准确率为99%)。这项研究上个月在加拿大温哥华举行的神经信息处理系统(NeurIPS)会议上发表。
Uber-AI实验室的计算机科学家Rosanne Liu并没有参与这项研究,她说:“他们让整个事情运转起来的事实令人印象深刻。”另一些人试图开发不依赖权重的网络,但失败了。Gaier说,这一突破最初是一个bug,它将相同的数字分配给所有权重,最终简化了架构搜索。
点击
阅读原文
了解更多详情