“人工智能通过新的框架成为终身学习者”

美国陆军的项目开发了一种新的深度神经网络框架，使人工智能系统能够更好地学习新的任务，忘记在以前的任务中所学到的东西。

陆军支援的北卡罗莱纳州立大学的研究者也说明了使用这个框架学习新的任务可以使ai更好地完成以前的任务。 这种现象被称为后向传播。

陆军应该做好准备在世界任何地方作战。 因为这个智能系统也需要准备。 陆军研究室智能系统项目经理mary anne fields博士说，他是美国陆军作战能力快速发展司令部的一员。 陆军研究室。 我们希望陆军的智能系统能够不断获得新的技能。 因为他们在世界各地的战场上执行任务，不会忘记已经训练过的技能。 例如，在进行城市操作时，轮式机器人可以学习密集城市的新导航参数，但在森林等以前遇到的环境中需要比较高效地工作。

研究小组提出了持续学习的学习成长新框架，将网络结构学习和模型参数学习分开。 实验测试优于透明的持续学习方法。

深度神经网络人工智能系统是为学习狭窄的任务而设计的，这篇论文的共同第一作者和博士生李立表示。 北卡罗来纳州的候选人。 因此，在学习新任务时，有可能发生以下情况之一，系统在学习新任务时会忘记旧任务。 这叫做毁灭性遗忘。 系统可能会忘记你对旧任务的了解。 也许不是一个学会，或者系统可以添加新任务，修复旧任务。 这样会限制改进，导致人工智能系统过大，无法有效运行。 持续学习也被称为终身学习或学习-学习，试图解决这个问题。

要学习成长的框架，请将深层神经互联网视为充满多层的管道。 原始数据位于管道的顶部，任务的输出显示在底部。 管道中的每个层都是操作数据的计算，以使互联网能够完成任务，例如识别数字图像中的对象。 有多种方法可以在管道中放置层。 这些方法支持互联网不同的体系结构。

当要求深度神经互联网学习新的任务时，学习成长框架首先通过探索进行被称为显式神经架构优化的东西。 这意味着一旦internet进入系统的每个层，就可以决定跳过层这四件事中的一件。 用和以前的任务一样的方法采用层。 将轻量级适配器连接到层上，然后稍微更改级别。 或者创建一个新层。

该体系结构的优化更有效地展示了完成新任务所需的最佳拓扑或一系列层次结构。 完成后，互联网就像在其他深度学习ai系统一样，训练使用新拓扑完成任务的方法。

我们用多个数据集进行了实验，新任务越像以前的任务，为了保存执行新任务的现有层，重复越多，李说。 更有趣的是，通过优化(或学习的拓扑)，为完成新任务而训练的互联网几乎不会忘记完成旧任务所需的拷贝。 即使旧任务不像。

研究人员还将学习增长框架学习新任务的能力与其他几种持续学习方法进行了比较，发现学习增长框架在完成新任务时更为准确。

为了在学习新任务时测试各个互联网有多遗忘，研究者测试了各个系统在执行旧任务时的正确性。 同时，学习成长框架再次优于其他互联网。

在某些情况下，学习成长框架实际上在执行旧的任务方面做得更好。 salesforce research的研究负责人、该事业的共同作者caiming xiong先生说。 这被称为向后迁移，当我们发现学习新任务可以更好地解决旧任务时就会发生。 我们一直在人们身上看到这种情况。 与ai无关。

菲尔兹表示，陆军投资将扩展目前最先进的机器学习技术，这些技术将指导我们陆军研究室的研究人员开发智能机动性和新物体的识别等机器人应用。 这项研究使人工智能接近于为我们的战斗人员提供能够部署在现场的比较有效的无人系统。

该论文学会的成长:克服灾害遗忘的持续结构学习框架将于6月9日至15日在加州长滩召开的第36届机器学习国际会议上发表。 这篇论文的共同第一作者是天福武博士、北卡罗来纳州电气与计算机工程助理教授、北卡罗来纳州立大学博士李希来和salesforce research的周颖波。 这篇论文是由salesforce research的richard socher和caiming xiong共同完成的。

这项事业也得到了国家科学基金的支持。 一些员工是在李是销售人员Ai研究中心的暑期实习生时完成的。