Исследователи из Массачусетского технологического института разработали новую гибкую систему машинного обучения, которая подстраивается под меняющиеся условия в процессе работы. Эти гибкие алгоритмы изменяют лежащие в их основе уравнения, чтобы постоянно адаптироваться к новым входным данным. Новый тип нейронной сети найдет применение в медицинской диагностике и автономном вождении, сообщает пресс-служба MIT.

«Это путь в будущее управления роботами, <…> обработки видео – любой формы обработки данных временных рядов, – говорит Рамин Хасани, ведущий автор исследования. – Потенциал действительно огромный».

По словам Хасани, данные временных рядов встречаются повсеместно.

«Реальный мир – это последовательность. Даже наше восприятие. Вы не воспринимаете изображения, вы воспринимаете последовательности изображений. Итак, данные временных рядов действительно создают нашу реальность».

Он указывает на обработку видео, финансовые данные и медицинские диагностические приложения как на примеры временных рядов, которые имеют ключевое значение для общества. Анализ постоянно обновляющихся, меняющихся данных в режиме реального времени в будущем может ускорить развитие новых технологий, таких как беспилотные автомобили. Авторы исследования создали алгоритм, подходящий для этой задачи.

Они разработали нейронную сеть, которая может адаптироваться к изменчивости реальных систем. Учёные черпали вдохновение непосредственно у микроскопической нематоды C. elegans. Ее нервная система которой включает в себя всего 302 нейрона, но при этом может генерировать неожиданно сложную динамику.

В уравнениях, которые исследователи использовали для структурирования искусственной нейронной сети, параметры могли изменяться на основе результатов вложенного набора дифференциальных уравнений. Гибкость новой системы машинного обучения делает ее более устойчивой к неожиданным данным, например, если сильный дождь закрывает обзор камеры на беспилотном автомобиле.

Нейронная сеть успешна прошла несколько тестов. Она на несколько процентов опередила другие современные алгоритмы временных рядов в точном прогнозировании будущих значений в наборах данных, начиная от химии атмосферы и заканчивая схемами движения. Кроме того, небольшой размер сети позволил сети пройти тесты без больших затрат на вычисления.