A matematika szerepe változik a gépi tanulásban, de nem veszíti el jelentőségét
A matematikai módszerek a mélytanulásban most inkább a modell betanításának és teljesítményének utólagos magyarázatában játszanak szerepet, hasonlóan ahhoz, mint a fizikában.
A mélytanulásban a matematikai módszerek szerepe változik, de a modell betanításának és teljesítményének utólagos magyarázatában továbbra is fontos szerepet kapnak — közölte a The Gradient.
Az elmúlt évtizedben a gépi tanulásban tapasztalt haladás egyre inkább a számítási kapacitás növelésén és a nagyobb adathalmazokon történő tanításon alapul, mint a matematikailag megalapozott architektúrákon. Ennek eredményeként a matematika és a statisztika, amelyek korábban a gépi tanulás kutatásának fő irányítója voltak, mostanáig nem tudnak azonnal betekintést nyújtani az új áttörésekbe.
A matematika szerepe a mélytanulásban
Az új módszerekben a matematika inkább a modell betanításának és teljesítményének utólagos magyarázatában játszik szerepet. Ilyen például a ReLU-alapú neurális hálózatok esetében, ahol a matematika segít megérteni, hogyan bontja a modell a bemeneti teret számtalan poligonális régióra, amelyekben a modell lineárisan viselkedik.
A hiányzó láncszem a mélytanulásban
A matematika szerepe a mélytanulásban tehát nem csökken, hanem változik. A matematikusoknak most olyan eszközöket kell kifejleszteniük, amelyek segítségével megérthetik a modell működését és a rejtett aktivációkat, amelyek a modell döntéseit meghatározzák. Ennek érdekében a matematikusoknak együtt kell működniük a gépi tanulás kutatóival, hogy megértsék a modell működését és fejlesszék a matematikai eszközöket, amelyek segítségével a modell működését meg lehet érteni.
Az új matematikai módszerek fejlesztése és a gépi tanulásban való alkalmazása lehetővé teszi, hogy a kutatók jobban megértsék a modell működését és fejlesszék a modell teljesítményét a Google által kifejlesztett TensorFlow keretrendszer segítségével, 2024-ben.