Učinkovito strojno učenje sa simetričnim podacima

Nova studija američkih istraživača s MIT-a pokazuje prvu metodu strojnog učenja sa simetrijom koja je dokazivo učinkovita u smislu količine izračuna i potrebnih podataka.

Ako rotirate sliku molekularne strukture, čovjek može reći da je rotirana slika i dalje ista molekula, ali model strojnog učenja mogao bi pomisliti da se radi o novoj podatkovnoj točki. Računalnim jezikom rečeno, molekula je „simetrična“, što znači da temeljna struktura te molekule ostaje ista ako prolazi kroz određene transformacije, poput rotacije.

Ako model za otkrivanje lijekova ne razumije simetriju, mogao bi dati netočna predviđanja o molekularnim svojstvima. No, unatoč nekim empirijskim uspjesima, nije jasno postoji li računalno učinkovita metoda za treniranje dobrog modela koji jamči poštivanje simetrije.

Nova studija istraživača s MIT-a odgovara na ovo pitanje i pokazuje prvu metodu strojnog učenja sa simetrijom koja je dokazivo učinkovita u smislu i količine izračuna i potrebnih podataka.

Ovi rezultati razjašnjavaju temeljno pitanje i mogli bi pomoći istraživačima u razvoju snažnijih modela strojnog učenja koji su dizajnirani za rukovanje simetrijom. Takvi modeli bili bi korisni u raznim primjenama, od otkrivanja novih materijala do identificiranja astronomskih anomalija i razotkrivanja složenih klimatskih obrazaca.

„Ove su simetrije važne jer predstavljaju neku vrstu informacija koje nam priroda govori o podacima i trebali bismo ih uzeti u obzir u našim modelima strojnog učenja. Sada smo pokazali da je moguće učinkovito strojno učiti sa simetričnim podacima“, kaže Behrooz Tahmasebi, diplomirani student MIT-a i suvoditelj studije koju možete pronaći na ovoj poveznici.

Znanstvenici su istražili statističko-računalni kompromis u strojnom učenju sa simetričnim podacima. Taj kompromis znači da metode koje zahtijevaju manje podataka mogu biti računalno skuplje, pa istraživači moraju pronaći pravu ravnotežu.

Nadovezujući se na ovu teorijsku evaluaciju, istraživači su osmislili učinkovit algoritam za strojno učenje sa simetričnim podacima. Da bi to učinili, posudili su ideje iz algebre kako bi smanjili i pojednostavili problem. Zatim su preformulirali problem koristeći ideje iz geometrije koje učinkovito obuhvaćaju simetriju.

Konačno, kombinirali su algebru i geometriju u optimizacijski problem koji se može učinkovito riješiti, što je rezultiralo njihovim novim algoritmom.

Algoritam zahtijeva manje uzoraka podataka za učenje nego klasični pristupi, što bi poboljšalo točnost modela i sposobnost prilagodbe novim primjenama.

Dokazivanjem da znanstvenici mogu razviti učinkovite algoritme za strojno učenje sa simetrijom i demonstracijom kako se to može učiniti, ovi rezultati mogli bi dovesti do razvoja novih arhitektura neuronskih mreža koje bi mogle biti točnije i manje zahtjevne za resurse od trenutnih modela.