إذا أخذنا في الاعتبار خوارزميات التعلم الآلي اليوم مع حركة من الجهل (أسفل) إلى الوعي (أعلى) ، فإن الخوارزميات الحالية تشبه القفز. بعد القفزة ، هناك تباطؤ في معدل التطور (القدرة على التعلم) وانعطاف وسقوط لا مفر منه (إعادة التدريب). يتم تقليل كل الجهود إلى محاولات ممارسة أكبر قدر ممكن من القوة للقفز ، مما يزيد من ارتفاع القفزة لكنه لا يغير النتائج بشكل أساسي. عند ضخ القفزات ، نزيد الارتفاع ، لكن لا نتعلم الطيران. سيحتاج إتقان تقنية "الرحلة المراقبة" إلى إعادة التفكير في بعض المبادئ الأساسية.
في الشبكات العصبية ، يتم استخدام بنية ثابتة لا تسمح بتجاوز القدرة التعليمية الثابتة للهيكل بأكمله. من خلال تحديد حجم الشبكة من عدد ثابت من
الخلايا العصبية ، فإننا نحد من حجم القدرة على التعلم للشبكة التي لا يمكن للشبكة تجاوزها. يتيح لك تثبيت عدد أكبر من الخلايا العصبية عند إنشاء شبكة زيادة القدرة على التعلم ، ولكن سوف يبطئ وقت التعلم. التغييرات الديناميكية في بنية الشبكة أثناء التدريب واستخدام البيانات الثنائية ستمنح الشبكة خصائص فريدة وسوف تتغلب على هذه القيود.
1. هيكل الشبكة الديناميكي
يجب أن تتخذ الشبكة نفسها قرارات بشأن حجمها. حسب الضرورة ، تنمو في الاتجاه الصحيح زيادة في الحجم. عند إنشاء شبكة أو خلية عصبية أو طبقة أو اثنتين ، لا يمكننا أن نعرف بشكل لا لبس فيه القدرة التدريبية اللازمة للشبكة وبالتالي حجمها. يجب أن تبدأ شبكتنا من نقطة الصفر (الافتقار التام للهيكل) ويجب أن تكون قادرة على التوسع في الاتجاه الصحيح بشكل مستقل عند وصول بيانات التدريب الجديدة.
2. إشارة التوهين
تستخدم الشبكات العصبية المنخرطة في جمع الإشارة النهج "التمثيلي" في الحساب. تؤدي التحويلات المتعددة إلى توهين الإشارة وفقدانها أثناء الإرسال. على أحجام الشبكات الكبيرة ، سوف تؤدي طرق الحساب "التمثيلية" حتماً إلى خسائر. في الشبكات العصبية ، يمكن حل مشكلة توهين الإشارة عن طريق الشبكات المتكررة ، في الواقع كونها عكازًا فقط يقلل المشكلة ، وليس حلها تمامًا. الحل هو استخدام إشارة ثنائية. عدد التحويلات لمثل هذه الإشارة لا يؤدي إلى التوهين والخسارة أثناء التحويلات.
3. شبكة القدرة على التعلم
توسيع الهيكل كما نتعلم ، ونحن زيادة قدرتها على التدريس. تحدد الشبكة نفسها من المهمة في أي اتجاه يجب تطويره وعدد الخلايا العصبية اللازمة لحل المشكلة. حجم الشبكة يحد فقط من قوة الحوسبة للخوادم وحدود حجم القرص الثابت.
4. تدريب الشبكة
عند تغيير الإشارات من الشبكات التمثيلية إلى الشبكات الثنائية ، تحصل على فرصة للتعلم السريع. يوفر التدريب إعدادًا لا لبس فيه لإشارة الإخراج. لا تغير عملية التعلم نفسها سوى جزء صغير من الخلايا العصبية ، مما يترك جزءًا كبيرًا منها دون تغيير. يتم تقليل وقت التدريب عدة مرات بسبب التغييرات في العديد من عناصر الشبكة.
5. حساب الشبكة
لحساب الشبكة العصبية ، نحتاج إلى حساب جميع العناصر. يمكن أن يؤدي تخطي حساب جزء حتى من الخلايا العصبية إلى تأثير الفراشة ، حيث يمكن للإشارة غير الهامة تغيير نتيجة الحساب بالكامل. طبيعة الإشارات الثنائية مختلفة. في كل مرحلة ، يمكن استبعاد جزء من البيانات من الحساب دون عواقب. كلما زاد حجم الشبكة ، زاد عدد العناصر التي يمكننا تجاهلها في الحسابات. يتم تقليل حساب نتائج الشبكات إلى حساب عدد صغير من العناصر يصل إلى كسور في المئة من الشبكة. للحساب ، فإن 3.2٪ (32 خلية عصبية) مع شبكة مكونة من ألف خلية عصبية ، و 0.1٪ (1000) مع مليون "خلية عصبية" في الشبكة ، و 0.003٪ (32 ألفًا) مع شبكة من مليار "خلية عصبية" في الحجم كافية. مع زيادة حجم الشبكة ، تنخفض النسبة المئوية للخلايا العصبية اللازمة لحساب.
6. تفسير النتائج
في الشبكات العصبية ، تجعل الأوزان مضروبة بالمعاملات من المستحيل إنشاء مصدر إشارة. جميع الإشارات الواردة من الشبكة العصبية ، دون استثناء ، تؤثر على النتيجة ، مما يعقد فهم الأسباب التي أدت إلى تشكيلها. يمكن أن يكون تأثير الإشارات الثنائية على النتيجة صفرًا أو جزئيًا أو كاملًا ، مما يشير بوضوح إلى مشاركة بيانات المصدر في الحساب. تسمح لك الطرق الثنائية لحساب الإشارات بتتبع علاقة البيانات الواردة بالنتيجة وتحديد درجة تأثير البيانات المصدر على تكوين النتيجة.
كل ما سبق يشير إلى الحاجة إلى تغيير النهج في خوارزميات التعلم الآلي. الأساليب الكلاسيكية لا تمنح السيطرة الكاملة على الشبكة وفهمًا لا لبس فيه للعمليات التي تحدث فيها. لتحقيق "رحلة مسيطر عليها" ، يلزم ضمان موثوقية تحويل الإشارة داخل الشبكة والتشكيل الديناميكي للهيكل أثناء الطيران.