Проблема: модели машинного обучения могут выдавать неточные прогнозы, когда полагаются на простые характеристики набора данных, а не на их истинную природу

Проблема: модели машинного обучения могут выдавать неточные прогнозы, когда полагаются на простые характеристики набора данных, а не на их истинную природу. Это быстрее, но менее надёжно. Например, модель может научиться распознавать изображение коровы по зелёной траве на фотографии, а не по сложным формам и узорам самой коровы.

Если нейронка таким образом определяет заболевания по медицинским снимкам, она может поставить неверный диагноз.

Решение: заставлять модель фокусироваться на большем количестве данных при обучении. Более простые свойства удаляют, заставляя модель фокусироваться на сложных характеристиках, которые не были учтены при быстрой обработке.

Метод основан на неявном изменении функции и не полагается на человеческий вклад в обучение модели.

С такими машинами Митчеллы бы не справились.

Кто: исследователи Массачусетского технологического института и Питтсбургского университета, США.

Источник: vk.com

Комментарии: