Datorforskare vill göra robotar glömma sina dåliga data

När "dåliga" data sugs in i ett maskininlärningssystem - det är hur Alan Greenspan uttryckte det när man diskuterade datormodeller som misslyckades med att förutsäga 2008-konjunkturen - den informationen kan vara svår att lossna. Men ett nytt koncept, som föreslagits av datavetenskapare Junfeng Yang och Yinzhi Cao, respektive Columbia University och Lehigh University, ger idéen att avläsa till datorer. Som Cao och Yang skriver i abstrakt publicerad för IEEE Xplore-konferensen 2015, behöver du inte gå hela vägen tillbaka till kvadrat en för att glömma:

För att glömma ett träningsdataprov uppdaterar vårt tillvägagångssätt bara ett litet antal summeringar - asymptotiskt snabbare än omskolning från början. Vårt tillvägagångssätt är generellt, eftersom summeringsformuläret är från det statistiska frågestudiet där många maskininlärningsalgoritmer kan implementeras. Vårt tillvägagångssätt gäller även för alla faser av maskininlärning, inklusive funktionsval och modellering. Vår utvärdering, om fyra olika inlärningssystem och verkliga arbetsbelastningar visar att vårt tillvägagångssätt är generellt, effektivt, snabbt och enkelt att använda.

Konceptet maskininlärning ligger på en grund byggd av högar och högar av information. Det kan vara till hjälp att undervisa robotar eller konstgjorda intelligenser för att göra vissa kopplingar - som om en individ i en tung kappa bär en öx, kan han eller hon vara brandman. Men i dessa träningssessioner kan felaktiga anslutningar uppstå, baserat på datasatsen. Din robot kanske tror att alla brandmän har skägg. Det här är självklart något du vill ha en dator till unthink.

Cao och Yang baserar den här idén om robotinformationslösning av begreppet datalinje - data förstoras inte helt och hållet till världen utan har en spårbar historia som rådata behandlas, anteckningar Kurzweil A.I. Att utnyttja den här linjen gör det möjligt för maskiner att avläsa valda delar av data utan att helt torka ut sin utbildning.