近日,MIT计算机科学与人工智能实验室(CSAIL)的研究人员开发出一种新形态神经网络,它在训练阶段结束后,还可以在工作中继续学习。这些被称为"液体"网络的灵活算法,会改变其底层方程,以不断适应新的数据输入。这一进展可以帮助基于随时间变化的数据流进行决策。在涉及医疗诊断和自动驾驶的领域也可改善算法的决策。 该研...
立下大功的「液体神经网络」,究竟是什么原理? 液体神经网络(Liquid Neural Networks,LNN)是团队提出的一种全新架构,可以使人工「神经元」或用于转化数据的节点更高效、适应性更强。 与需要数千个神经元来执 行复杂任务的传统深度学习模型不同,LNN只用较少的神经元——结合创新的数学公式——就可以达到相同的结果。
TechCrunch:我有一种感觉,液体神经网络的创造之一的动机是移动机器人系统的硬件限制,它们无法运行极其复杂的计算并依赖这些非常复杂的神经网络。 Daniela Rus:这是其中的一部分,但更重要的是,我们开始思考液体网络的原因与当今人工智能系统的一些限制有关,这些限制使它们在安全、关键系统和机器人技术方面的效果非常有限。...
这可以帮助工程师理解和提高液体网络的性能。 目前，“液体”神经网络在一系列测试中表现出色。在准确预测从大气化学到交通模式等数据集的未来值方面，它领先于其他最先进的时间序列算法几个百分点。研究人员认为，该网络的小规模意味着它在完成测试时没有高昂的计算成本。这也为进一步研究提供了希望的前景。
他还补充说,实验表明,液体神经网络可以比其他的“连续时间神经网络”(continuous-time neural networks)运行得更快、更准确。连续时间神经网络,是指对随时间变化的系统进行建模的机器学习系统,液体神经网络是其中一个例子。 拉明· 哈萨尼(Ramin Hasani)和马蒂亚斯 · 莱希纳(Mathias Lechner)是新设计的推动者,他们在...
他还补充说,实验表明,液体神经网络可以比其他的“连续时间神经网络”(continuous-time neural networks)运行得更快、更准确。连续时间神经网络,是指对随时间变化的系统进行建模的机器学习系统,液体神经网络是其中一个例子。 拉明· 哈萨尼(Ramin Hasani)和马蒂亚斯 · 莱希纳(Mathias Lechner)是新设计的推动者,他们在...
研究人员此次的流动神经网络绕过了不可伸缩性“仅仅改变一个神经元的表示形式”,因此更容易窥视网络决策的“黑匣子”,并诊断网络为何做出某种表征。这可以帮助工程师理解和提高液体网络的性能。 目前,“液体”神经网络在一系列测试中表现出色。在准确预测从大气化学到交通模式等数据集的未来值方面,它领先于其他最先进的...
液体神经网络的应用和局限性 LNN 主要设计用于处理连续数据流。这包括视频流、音频流或温度测量序列以及其他类型的数据。 “一般来说,当我们有时间序列数据时,流动网络会表现良好……你需要一个序列才能使流动网络正常工作,”罗斯说。“但是,如果您尝试将液体网络解决方案应用于 ImageNet 等静态数据库,效果不会那么好...
受有机大脑适应性的启发，麻省理工学院于 2021 年创建了液体神经网络。人工智能和机器学习算法能够学习和适应现实世界中的新数据。流动网络在分布变化下的稳健性能的关键是它们能够动态捕获给定任务的真实因果关系。然后，网络可以提取任务的关键方面并忽略不相关的特征，从而使获得的导航技能能够将目标无缝转移到新环境。...
MIT创造"液体"神经网络,可适应快速变化环境_哔哩哔哩_bilibilihttps://zhuanlan.zhihu.com/p/643061668Discrete-Event Continuous-Time Recurrent NetsExisting sequence learning methods for recurrent…