Oživené strojové učení

Vyvoj „živého“ stroje

Biologicky inspirované rekurentní architektury: Integrace zpětné vazby z vyšších stpňů zpracování pro adaptivní extraxci informace v nestacionárních prostředích

Problém

Na rozdíl od biologických systémů, které se i nadále učí a přizpůsobují během procesu vyvozování, standardní modely ML nemohou samy korigovat nebo rekonfigurovat své interní toky zpracování, když čelí novým nebo posouvajícím se distribucím dat. Tento nedostatek dynamické inference vede ke katastrofálnímu selhání v měnících se prostředích.

Cíle výzkumu

Cílem tohoto výzkumu je posunout se za „mrtvé“ dopředné architektury implementací tří klíčových biologických principů:

• Reciproční smyčky: Nahraďte jednosměrné řetězce paralelními toky zpracování a masivními zpětnovazebními smyčkami shora dolů.
• Active Inference Learning: Vyvinout mechanismy, které umožní modelu vyhodnotit kvalitu vlastních extrahovaných informací v reálném čase.
• Gating: Implementujte váhování neuronových výstupů nižší úrovně, řízené zpětnou vazbou vyšší úrovně pro filtrování irelevantních dat a zaměření na kontextově významné funkce.

Očekávaný příspěvek

Cílem tohoto výzkumu je poskytnout plán pro novou třídu samoopravné umělé inteligence. Napodobením „dynamické a živé“ povahy biologických percepčních systémů můžeme vytvořit AI, která nejen „předpovídá“, ale aktivně „vnímá“ a upravuje své strategie v reálném čase – v podstatě přeměňuje závěry ze statického snímku na nepřetržitý, adaptivní proces.