Új dinamikai paradigmát javasolnak az endogén rezsimváltásokhoz a gépi tanulásban
A belső rezsimváltás elengedhetetlen az autonóm intelligencia megjelenéséhez, de a legtöbb gépi tanulási rendszerben eddig külső beavatkozást igényelt.
Új tanulási dinamikát mutat be egy friss kutatás, amely a belső rezsimváltás, vagyis az endogén viselkedésváltás elérését célozza az AI-rendszerekben — írja az ArXiv-en megjelent tanulmány. A munka a Scalar-Irreducible dinamikát emeli ki, amely nem redukálható skaláris célfüggvények által vezérelt gradiens áramlásokra.
A legtöbb jelenlegi gépi tanulási rendszer a skalár-redukálható kategóriába tartozik, ahol a rendszerek viselkedésváltásait jellemzően külsőleg kényszerítik ki. Ezzel szemben a Scalar-Irreducible dinamika természetes módon teszi lehetővé a belsőleg generált rezsimváltást, a gyors dinamikus változók és a lassú strukturális adaptáció közötti visszacsatolás révén.
A kutatók egy minimális dinamikai modell segítségével illusztrálták, hogyan hoz létre ez a mechanizmus tartós endogén rezsimátmeneteket külső ütemezés nélkül. Ez a megközelítés új dinamikai paradigmát javasol a rezsimfeltárásra és a proaktív viselkedésre.
Az eredmények szerint a Scalar-Irreducible dinamika kulcsfontosságú lehet az autonóm intelligencia kialakulásában, ami alapvető kihívást jelent a jelenlegi gépi tanulási keretrendszerek számára.