深度学习 (DL) 使用一系列层执行分类任务。为了有效地执行这些任务，本地决策是沿着层逐步执行的。但是，我们是否可以通过选择最有影响力的输出路径来执行全面的决策，而不是在本地执行这些决策?
在《科学报告》今天发表的一篇文章中，以色列巴伊兰大学的研究人员对这个问题给出了响亮的“是”回答。通过更新最有影响力的输出路径，对现有的深层架构进行了改进。
“可以把它想象成两个孩子想要爬一座充满曲折的山，其中一个在每个路口选择当地最快的路线，而另一个则用双筒望远镜观察前方的整条路径，选择最短、最重要的路线。”巴伊兰物理系和贡达 (Goldschmied) 多学科大脑研究中心的伊多·坎特 (Ido Kanter) 教授说道：谁领导了这项研究。
“这一发现可以通过选择最重要的通向顶峰的途径，为更好地增强人工智能学习铺平道路，”博士生、这项工作的主要贡献者之一 Yarden Tzach 补充道。
Kanter 教授及其由 Roni Vardi 博士领导的实验研究团队对人工智能系统进行了更深入的理解，旨在在生物世界和机器学习之间架起桥梁，从而创建一个改进的、先进的人工智能系统。迄今为止，他们已经发现了使用 神经元培养物进行有效树突 适应的证据，以及如何在机器学习中实施这些发现，展示浅层网络如何与深层网络竞争，并找到成功深度学习的机制。
使用全局决策增强现有架构可以为改进人工智能铺平道路，从而可以改进其分类任务，而无需额外的层。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 55@qq.com 举报，一经查实，本站将立刻删除。转转请注明出处：https://www.szhjjp.com/n/639131.html
