大多数机器学习算法不能从经验中学习以外的初始培训。现在,麻省理工学院的研究人员已经开发出一种类型的神经网络,在工作中学习,不仅在训练阶段。这些灵活的算法,称为“液体”网络,改变他们的基本方程,不断适应新的数据输入。这种液体神经网络有一种内置的“神经可塑性。”,因为它对其work-say,在未来,也许开车或指挥机器人可以从经验中学习和调整其连接。
阅读更多麻省理工学院的研究人员开发据设备可以帮助ALS患者沟通
“这是一个未来的机器人控制的发展方向,自然语言处理,视频处理,任何形式的时间序列数据处理,“Ramin Hasani说,该研究的主要作者。“可能是重要的。”
Hasani表示系统的灵感来源于一个小虫秀丽隐杆线虫,它还302个神经元的神经系统可以生成出人意料地复杂的动力学。
这项研究将会在2月份AAAI会议上人工智能。除了Hasani,麻省理工学院计算机科学和人工智能实验室的博士后(权力),麻省理工学院的合作者包括Daniela俄文,CSAIL的导演安德鲁和厄纳维特比电子工程与计算机科学教授和博士生亚历山大Amini。其他合作者包括Mathias莱希科技研究所的奥地利和拉杜Grosu维也纳大学的技术,麻省理工学院的新闻报道。
“真正的世界都是关于序列。甚至我们的感知——你不是感知图像,你感知的图像序列,”Hasani说。“那么,时间序列数据实际上创建我们的现实。”
他指出,视频处理、财务数据和医疗诊断应用程序作为时间序列的例子是社会的中心。这些不断变化的数据流的变迁都是不可预知的。然而实时分析这些数据,并使用它们来预测未来的行为,可以提高自动驾驶汽车等新兴技术的发展。所以Hasani建造一个算法适合这个任务。
Hasani说他的液体不可思议常见的其他神经网络网络裙子。“只是改变神经元的表达”,而Hasani的微分方程,“你真的可以探索一些程度的复杂性否则你不能探索。“谢谢Hasani少数高度表达的神经元,它更容易窥视“黑匣子”网络的决策和诊断网络使某一特征的原因。
在测试中,网络表现充满希望地预测未来值数据集,从大气化学交通模式。
Hasani计划继续完善系统,它为工业应用程序做好准备。“我们已经证明地更富有表现力的灵感来自大自然的神经网络。但这只是这个过程的开始,”他说。“一个显而易见的问题是你如何扩展这个?我们认为这样的网络可能是未来智能系统的一个关键要素。”