Des chercheurs de l'Université Bar-Ilan ont découvert comment l'apprentissage automatique classifie avec succès les images, révélant que chaque filtre d'une architecture d'apprentissage en profondeur reconnaît et affine la reconnaissance des groupes d'images à travers des couches.
Les architectures d’IA actuelles peuvent effectuer avec succès des tâches de classification d’images, en concurrence avec les capacités humaines. Mais quel est le mécanisme qui fait que apprentissage automatique si réussi ?
La classification d’images est une tâche complexe que les architectures d’apprentissage profond exécutent avec succès. Ces architectures profondes sont généralement composées de plusieurs couches, chaque couche étant constituée de nombreux filtres. Il est communément admis qu'à mesure que l'image progresse à travers les couches, des caractéristiques améliorées et des caractéristiques des caractéristiques de l'image sont révélées. Pourtant, ces caractéristiques et caractéristiques des caractéristiques ne sont pas quantifiables, et le fonctionnement de l’apprentissage automatique reste donc un casse-tête.
Dans un article récemment publié dans Rapports scientifiques, des chercheurs de l'Université Bar-Ilan révèlent le mécanisme qui sous-tend le succès de l'apprentissage automatique, qui lui permet d'effectuer des tâches de classification avec un succès retentissant. « Chaque filtre reconnaît essentiellement un petit groupe d'images et, à mesure que les couches progressent, la reconnaissance s'affine. Nous avons trouvé un moyen de mesurer quantitativement les performances d'un seul filtre », a déclaré le professeur Ido Kanter, du département de physique de Bar-Ilan et du centre de recherche multidisciplinaire sur le cerveau de Gonda (Goldschmied), qui a dirigé la recherche.
Une vidéo décrivant la recherche. Crédit : Prof. Ido Kanter, Université Bar-Ilan
« Cette découverte peut ouvrir la voie à une meilleure compréhension du fonctionnement de l'IA », a déclaré Yuval Meir, doctorant, l'un des principaux contributeurs aux travaux, ajoutant : « Cela peut améliorer la latence, l'utilisation de la mémoire et la complexité de l'architecture sans réduire l'ensemble de l'architecture. précision.» Même si l’IA est à l’avant-garde des progrès technologiques récents, comprendre le fonctionnement réel de ces machines peut ouvrir la voie à une IA encore plus avancée.
