Новый анализ в The European Physical Journal E ( EPJ E ) показывает, как подход «обучения по учебной программе», который тщательно структурирует данные, используемые для обучения моделей сложных систем, может значительно улучшить их результаты, не полагаясь на дополнительные принципы машинного обучения.
Тщательно структурируя данные, используемые для обучения моделей сложных систем, используя физику и теорию информации , исследователи могут значительно повысить качество своих прогнозов, не полагаясь на дополнительные принципы машинного обучения в ситуациях, когда доступно меньше информации о системе.
В настоящее время исследователи все чаще стремятся идентифицировать и моделировать сложные математические закономерности, встречающиеся в сложных природных системах, где взаимодействие многих простых частей и подсистем может привести к возникновению очень сложных математических закономерностей. Сегодня машинное обучение является наиболее широко используемым методом моделирования этих систем.
С помощью нового анализа в EPJ E группа исследователей из Университета Париж-Сакле показывает, как подход «обучения по учебной программе», который тщательно структурирует данные, используемые для обучения моделей, может значительно улучшить их результаты, не полагаясь на дополнительные принципы машинного обучения.
Машинное обучение — это форма искусственного интеллекта (ИИ), которая улучшает свои возможности моделирования систем, поскольку получает больше информации о них, помогая исследователям выявлять закономерности, скрытые глубоко внутри данных. При изучении сложных систем этот подход становится более сложным, когда большие объемы данных наблюдений недоступны: часто из-за затрат или технических трудностей в получении информации.
Техника исследователей из Парижа-Сакле основана на идее о том, что, как и люди, машины лучше учатся, если они сначала сталкиваются с более простыми ситуациями, прежде чем в процессе обучения будут иметь дело с более сложными . Таким образом, информация, используемая для обучения модели, может быть структурирована в тщательно спланированную учебную программу. Подход группы работал, сначала оценивая объем данных, необходимых для гарантии точной модели, а затем исследуя влияние структуры учебной программы на надежность модели.
В конечном итоге команда показала, что за счет тщательного структурирования обучающего набора данных качество прогнозов модели может быть значительно улучшено — без какой-либо необходимости в более сложных архитектурах моделей или дополнительных принципах машинного обучения. Информация, собранная командой, может привести к новым передовым подходам к моделированию, применимым в различных сценариях, от робототехники и компьютерного зрения до видеоигр и обработки речи.
