AI pētījums parāda, kāpēc dziļa mācīšanās ir piemērota neirozinātnei

Mākslīgā intelekta (AI) jomā ne visas mašīnmācīšanās pieejas tiek uzskatītas par vienādām. Tas ir svarīgs apsvērums tādās jomās kā neirozinātne, medicīna, biotehnoloģija, dzīvības zinātnes, veselības aprūpe, genomika, farmācija un citas nozares, kur precizitāte var tieši ietekmēt cilvēku veselību un drošību. Kāda veida mašīnmācīšanās vislabāk atbilst neiro attēlveidošanai un smadzeņu izpētei?

Jaunā pētījumā, kas publicēts šī mēneša sākumā Dabas komunikācijas Džordžijas štata universitātes pētnieki smadzeņu pētījumos parāda dziļās mācīšanās (DL) priekšrocības salīdzinājumā ar standarta mašīnmācīšanos (SML).

"Mūsu atklājumi uzsver nelinearitāšu klātbūtni neiro attēlveidošanas datos, kurus DL var izmantot, lai radītu izcilākus uzdevumus diskriminējošus attēlojumus cilvēka smadzeņu raksturošanai," raksta raksta vadošais autors Aneess Abrols kopā ar Sergeju Plisu, Vinsu Kalhounu, Yuhui Du, Rodžeru Silvu, Mustafa Salmans un Zening Fu.

Standarta mašīnmācībās prognozes ir pareģošanas funkciju apstrādes rezultāts, izmantojot secinājumu likumus, un lēmumu robežas tiek noteiktas “vietējās, kodola pārveidotās vai iezīmēs veidotās ievades telpās”. Pēc pētnieku domām, tas ir ierobežojošs faktors projektos, kuros nepieciešama sarežģītu smadzeņu datu modelēšana. Turklāt iepriekšējs pirmapstrādes posms, ko izmanto, lai uzlabotu standarta mašīnmācīšanās veiktspēju, ir samazināt ievades vietas dimensiju, izmantojot iezīmju ekstrakciju vai iezīmju mainīgo lielumu atlasi, kas parāda datus.

No otras puses, padziļinātai mācībai ir iespējas iemācīties reprezentācijas, un tā var mācīties no datiem ar minimālu priekšapstrādes posmu vai bez tā. Dziļajai mācībai, AI mašīnmācīšanās apakškopai, ir dizains, kuru nedaudz iedvesmo cilvēka smadzenes. Dziļās mācīšanās dziļums attiecas uz daudziem slēptajiem algoritmu slāņiem starp mākslīgo neironu tīkla ieejas un izejas slāni. Neironu tīkla slāņi satur skaitļošanas mezglus, kas ir analogi bioloģiskajiem neironiem.

Pētnieki salīdzināja vairāku klasifikācijas un regresijas uzdevumu izpildi starp standarta mašīnmācīšanos un dziļas mācīšanās pieeju ar strukturāliem MRI datiem par vairāk nekā 12 000 subjektiem no Apvienotās Karalistes Biobank un vairāk nekā 800 subjektiem no Alcheimera slimības neiroizveidotās attēlveidošanas (ADNI) krātuves.

Standarta mašīnmācīšanās modeļi tika apmācīti un testēti uz pelēkās vielas funkcijām, kuras ir samazinātas trīs dažādos veidos (vienveidīgo iezīmju atlase, Gausa nejaušā projekcija un rekurzīvo pazīmju izslēgšana) un diviem dziļas mācīšanās modeļiem (trīsdimensiju sakausētu neironu tīklu varianti Alex Net) tika apmācīti par trīsdimensiju pelēkās vielas karšu nesamazinātu ievades telpu.

Tad komanda salīdzināja dziļu un standarta mašīnmācīšanos vecuma un dzimuma klasifikācijas uzdevumā. Viņi pārbaudīja divus nelineārus dziļas mācīšanās modeļus un sešas standarta lineāras un nelineāras modeļu mašīnmācīšanās metodes - atbalsta vektora mašīnu (SVM) ar lineāru kodolu, SVM ar polinomu, radiālo bāzes funkciju, lineāro diskriminantu analīzi, sigmoidālos kodolus un loģistisko regresiju . Pēc pētnieku domām, viņi novēroja, ka divi dziļas mācīšanās modeļi “ievērojami pārspēja” standarta mašīnmācīšanās modeļus.

"Rezultāti liecina, ka, apmācot, ievērojot izplatītu DL praksi, DL metodēm ir iespējas īpaši labi mērogoties un ievērojami uzlabot, salīdzinot ar SML metodēm, vienlaikus parādot zemāku asimptotisko sarežģītību relatīvā skaitļošanas laikā, neskatoties uz to, ka tās ir sarežģītākas," raksta pētnieki. "Mēs arī parādām, ka DL iegulšana aptver saprotamus uzdevumam raksturīgus projekcijas spektrus un ka DL konsekventi lokalizē uzdevumu diskriminējošus smadzeņu biomarķierus."

Autortiesības © 2021 Cami Rosso Visas tiesības aizsargātas.