Исследователи находят способ использовать силу коллективного разума, уважая при этом конфиденциальность и конфиденциальные знания
Когда вы живете в мире, основанном на технологиях, таком как наш, трудно не попасть под такие модные слова, как большие данные, искусственный интеллект и нейронные сети . Машинное обучение - еще один фаворит - вы, наверное, слышали о нем, но как насчет коллективного машинного обучения?
Ученые-информатики называют процесс загрузки компьютеров статистическими моделями и алгоритмами машинным обучением. Цель: научить компьютеры определять закономерности на основе данных, чтобы в конечном итоге они могли действовать без явных указаний человека, что делать. Коллективное машинное обучение выводит это на новый уровень, комбинируя несколько моделей машинного обучения вместе, чтобы использовать их коллективный интеллект. Желаемый конечный продукт - это единая прогнозная модель, более точная, чем сумма ее частей.
«Коллективное машинное обучение объединяет несколько моделей машинного обучения вместе, чтобы использовать их коллективный интеллект. Желаемый конечный продукт - это единая прогнозная модель, более точная, чем сумма ее частей ».
Улучшение возможностей прогнозирования - основная цель, - говорит Брайан Лоу, доцент вычислительной школы NUS и главный исследователь Центра исследований технологий конфиденциальности NUS (N-CRiPT), изучающий машинное обучение и мультиагентные системы. По его словам, есть много примеров, когда может пригодиться коллективное машинное обучение. Например, автономные транспортные средства, движущиеся с противоположных сторон, могут разговаривать друг с другом о движении и дорожных условиях. Или врачи из разных больниц могут объединить информацию из медицинских карт своих пациентов, чтобы определить тенденции в том, как болезнь может прогрессировать в определенной группе населения.
Поскольку машинное обучение работает на основе фундаментальной предпосылки, что чем больше данных доступно, тем лучше, важно, чтобы информация была доступна независимо от того, какая компания производит автономные транспортные средства или к какой группе здравоохранения принадлежат врачи. Но не менее важно уважать конфиденциальную, конфиденциальную и конфиденциальную информацию.
Строительство Вавилонской башни
Эти противоречащие друг другу потребности совместного использования и защиты конфиденциальности приводят нас к проблеме слияния моделей: коллективное машинное обучение полезно, но как мы объединяем разные модели, которые по сути являются черными ящиками и разнородны по своей природе? Другими словами, как мы можем спроектировать единую прогнозную модель из всех различных моделей, не зная их внутренней архитектуры и локальных данных, и когда все они спроектированы по-разному?
Проф Лоу сравнивает эту проблему со строительством Вавилонской башни. Согласно библейской литературе, люди, живущие в Вавилоне, хотели построить башню, достаточно высокую, чтобы касаться небес, как символ того, насколько великим они сделали свой народ. Не любя гордость и высокомерие вавилонян, Бог решил помешать их усилиям, внезапно заставив всех говорить на разных языках, а не на одном языке, который раньше их объединял.
«Это как четыре пророка разных рас и языков», - говорит профессор Лоу. «Они не могут разговаривать друг с другом, но мы хотим каким-то образом объединить их прогнозы, чтобы прийти к единому мнению о том, удастся ли вавилонянам построить свою башню».
Чтобы преодолеть эту проблему, профессор Лоу и его сотрудники из Университета Карнеги-Меллона и лаборатории искусственного интеллекта MIT-IBM Watson в США создали платформу коллективного обучения, которая, по их мнению, является первой в мире, которая решает гетерогенные проблемы и проблемы черного ящика, моделирующие слияние. представляет. Исследователи предложили два метода слияния - CIGAR для более легких комбинаций и COLBI для более тяжелых - которые работают, находя общий язык для объединения разрозненных моделей.
Для дальнейшего объяснения профессор Лоу возвращается к своей аналогии с Вавилонской башней. По его словам, пророки подобны различным проприетарным моделям машинного обучения, которые не желают разглашать свои коммерческие секреты. Но у каждого пророка есть ученик, говорящий на общем языке. «Мы можем думать об этих учениках как о суррогатных моделях пророков», - говорит профессор Лоу. «Они выполняют перевод, а затем мы объединяем эти суррогаты в одну модель консенсуса, чтобы сделать прогноз».
Аналогичным образом, решение исследователей проблемы слияния моделей включает создание парадигмы коллективного слияния, которая изучает предсказательное поведение составных моделей. Собранная информация кратко кодируется в информационные сводки, которые затем используются для получения единственного прогнозируемого результата.
Когда команда опубликовала свои выводы, многие люди отреагировали с удивлением, говорит профессор Лоу. Они не думали, что можно создать суррогатную модель из различных моделей машинного обучения - это было неслыханно, - говорит он. Но люди находили это захватывающим, потому что возможность делать это открывает возможность того, что они могут сделать в будущем.
