Deep Learning kann auch "abstract relational reasoning". Um zu testen, inwieweit aktuelle Systeme bereits kognitive Eigenschaften besitzen, hat ein Team von Google DeepMind ein Experiment entwickelt, das Ravens IQ-Test entspricht. Darin muss ein Computerprogramm erkennen, welches Bild eine Bilderfolge richtig ergänzt und dabei Ablenkungen ignorieren.
Der bisherige Rekord des Teams von Google DeepMind lag bei einer Fehlerrate von 37,4%. Doktorand Marius Jahrens vom Institut für Neuro- und Bioinformatik, geleitet von Prof. Thomas Martinetz, konnte diesen Rekord nun brechen und mit seinem neuen Ansatz die Fehlerrate um das 20-fache, auf weniger als 2%, senken. Damit gilt dieses Problem als gelöst.
Erreicht werden konnte dies durch eine Reihe teils neuartiger, teils bekannter Anpassungen. So wurde eine spezielle mehrschichtige Netzwerkstruktur von künstlichen Neuronen, kurz MLRN (Multi-Layer Relation Network), entwickelt, die das Lernen von komplexen Relationen begünstigt. Anstatt die Graustufen der Bilder wie sonst üblich als bloße Zahlen zu repräsentieren, wurden diese durch Magnitude Encoding als Werte auf einer Skala, vergleichbar mit einem analogen Tachometer, dargestellt. Kombiniert mit L2 Regularisierung, einer bekannten Methode, die das Auswendiglernen bereits gesehener Aufgaben verhindert, sowie einem neuen Optimierungsverfahren von 2019, genannt LAMB, konnte die Leistungsfähigkeit der KI enorm gesteigert werden.
Die Arbeit konnte erfolgreich auf der diesjährigen "International Joint Conference on Neural Networks" platziert werden. Interessierte Leser können die Publikation hier herunterladen:
https://arxiv.org/abs/2003.11608
Die Lösung zu dem oben gezeigten Rätsel können Sie hier nachschauen.
