Nowy algorytm odblokowuje efektywne uczenie maszynowe z symetrycznymi danymi

Wyobraź sobie, że patrzysz na odwrócony obraz cząsteczki. Ty, będąc człowiekiem, bez wysiłku uznajesz ją za tę samą cząsteczkę, tylko odwróconą. Jednak z perspektywy modelu uczenia maszynowego ten skorygowany obraz może być interpretowany jako zupełnie nowy i niezbadany punkt danych. Ten dylemat zwraca uwagę na jedną z podstawowych zasad informatyki - symetrię. Zgodnie z definicją techniczną, cząsteczka jest ‘symetryczna’, jeśli jej podstawowa struktura pozostaje niezmieniona w wyniku przekształceń, takich jak obrót.

Pomost do ulepszonego uczenia maszynowego

Znaczenie symetrii staje się szczególnie widoczne w dziedzinie odkrywania leków. W tej dziedzinie niezdolność modeli uczenia maszynowego do rozpoznawania symetrii może prowadzić do błędnych przewidywań dotyczących zachowania molekularnego. Pomimo pewnych postępów, kwestia szkolenia modeli w celu skutecznego zarządzania symetrią w efektywny sposób wciąż pozostaje nierozwiązana. Jednak postępy poczynione przez zespół naukowców z MIT sugerują, że rozwiązanie może być wreszcie w zasięgu ręki.

Naukowcy zapoczątkowali pierwszą przekonująco skuteczną metodę uczenia modeli uczenia maszynowego, która respektuje symetrię. Przełom ten nie tylko zapewnia rozwiązanie długotrwałego wyzwania teoretycznego, ale także stanowi potencjalny przełom dla bardziej niezawodnych i precyzyjnych systemów sztucznej inteligencji. Potencjalne zastosowania obejmują różne dziedziny, takie jak materiałoznawstwo i modelowanie klimatu.

Idąc dalej w kierunku podejścia inspirowanego naturą, Behrooz Tahmasebi, absolwent MIT i współautor badania, wyjaśnia: “Te symetrie są kluczowe, ponieważ są to rodzaje informacji, które natura udostępnia na temat danych. Informacje te powinny zostać włączone do naszych modeli uczenia maszynowego. Wykazaliśmy, że efektywne uczenie maszynowe z symetrycznymi danymi jest rzeczywiście wykonalne”.”

Odkrywanie złożoności symetrii w danych: Dychotomia

Symetria występuje w naturalnych i fizycznych konfiguracjach. Model uczenia maszynowego, który interpretuje symetrię, może pozwolić na rozpoznanie obiektu, takiego jak na przykład samochód, niezależnie od jego położenia na obrazie. Brak tego zrozumienia może sprawić, że modele będą podatne na niedokładności, gdy napotkają nieznane, symetryczne dane.

Podejmowano próby rozwiązania tego problemu za pomocą metod takich jak powiększanie danych, które obejmuje tworzenie wielu przekształconych wersji tego samego punktu danych. Może to jednak wymagać dużych zasobów i nie zapewnia świadomości symetrii w modelu.

Ostatnie badania przeprowadzone przez zespół MIT miały na celu obejście tych ograniczeń. Naukowcy zastosowali podwójną strukturę łączącą algebrę i geometrię. Korzystając z technik algebraicznych, zmniejszyli złożoność zadania uczenia się, podczas gdy spostrzeżenia geometryczne ułatwiły uchwycenie prawdziwej istoty symetrii w danych. Ostatecznie doprowadziło ich to do sformułowania optymalnej równowagi, która waży zarówno dokładność, jak i wydajność.

The Road Ahead: Implikacje i perspektywy na przyszłość

Ten rewolucyjny postęp toruje drogę dla nowej klasy modeli uczenia maszynowego, które są nie tylko dokładniejsze, ale także bardziej interpretowalne i zasobooszczędne. Istnieje teraz możliwość zagłębienia się w wewnętrzną mechanikę grafowych sieci neuronowych (GNN) i zestawienia jej z tym nowym algorytmem.

Rzeczywiście, jak twierdzi Ashkan Soleymani, inny absolwent MIT i współautor, “Kiedy lepiej to zrozumiemy, będziemy mogli zaprojektować bardziej interpretowalne, solidne i wydajne architektury sieci neuronowych”.”

Ta pionierska praca była wspierana przez National Research Foundation of Singapore, DSO National Laboratories of Singapore, U.S. Office of Naval Research, U.S. National Science Foundation oraz Alexander von Humboldt Professorship. Aby zagłębić się w te badania, zapraszamy do przeczytania oryginalnego artykułu: MIT News: Nowe algorytmy umożliwiają efektywne uczenie maszynowe z symetrycznymi danymi.