Модель ИИ может манипулировать временем, чтобы сделать лучшие прогнозы в широком диапазоне полей

В окружающем нас мире многое существует в контексте времени: путь птицы через небо понимается как разные позиции в течение определенного периода времени, а разговоры как серия слов, происходящих один за другим.

Компьютерные ученые и статистики называют эти последовательности временные ряды. Хотя статистики нашли способы понять эти закономерности и сделать прогнозы о будущем, современный глубокое обучение Модели ИИ борются за то, чтобы работать так же хорошо, если не хуже, чем статистические модели.

Инженеры из Калифорнийского университета в Санта -Крус разработали новый метод прогнозирования временных рядов, основанный на глубоком обучении, который может улучшить свои прогнозы на основе данных с ближайшего будущего. Когда они применили этот подход к критической задаче прогнозирования судорог с использованием данных мозговых волн, они обнаружили, что их стратегия обеспечивает до 44,8% повышения производительности для прогнозирования судорог по сравнению с базовыми методами. В то время как они сосредоточились на этом критическом применении здравоохранения, метод исследователей предназначен для того, чтобы быть актуальным для широкого спектра областей. А Новое исследование в Природная связь сообщает их результаты.

«Мир – это машина временных рядов, все постоянно меняется», – сказал Джейсон Эшрагиан, доцент кафедры электротехники и компьютерной инженерии и старший автор исследования. «Если вы хотите, чтобы ИИ сделал что-то хорошее для мира, вам нужно иметь возможность обрабатывать изменяющуюся во времени динамичную, постоянно меняющуюся информацию».

Пояснил будущее

Исследователь бакалавриата Baskin Engineering Skye Skye Gunasekaran, которая возглавляла это исследование, попала в свой первый год в Калифорнийском университете в Санта -Круз, уже заинтересованную в глубоком обучении. Она быстро присоединилась к группе нейроморфных вычислительных компьютеров Eshraghian и занялась этим проектом, чтобы улучшить прогнозирование временных рядов глубокого обучения.

Техника «обучение в будущем» исследователей работает с двумя моделями глубокого обучения, которые работают вместе, как предсказания временных рядов, но и в разные времена.

Две модели действуют вместе как «ученик» и «учитель». Учитель находится в относительном будущем, ближе к событию, которое его просят предсказать, и поэтому у него есть больше данных для работы. Учитель передает результаты своих прогнозов обратно ученику – было ли это правильным или допустило ошибку. Этот Передача знаний Улучшает способность студента делать свои прогнозы дальше в будущее.

В контексте данных о судорогах этот метод работает следующим образом: учителя просят взглянуть на данные мозговых волн и определить, происходит ли захват в этот точный момент. Студенческая модель, которая составляет 30 минут в прошлом, пытается предсказать, произойдет ли захват за 30 минут. Информация учителя о том, происходит ли в настоящее время захват, возвращается к ученику, чтобы ученик мог учиться с точки зрения «будущего» учителя. Все, что изучено в режиме реального времени, постоянно улучшает способность студента предсказать будущие судороги.

«Если модель обнаружения приступов вспыхивает, заявив, что существует очень высокая вероятность того, что возникает приступ, это запускает модель студента, которая пытается предсказать 30 минут в будущем. Этот ученик теперь знает, что учитель говорит:« Эй, в этом случае будет приступ в этот период », так что он запускает модель, достигая лучшего точность. объяснил.

Персонализированная медицина

Этот метод предоставляет возможность для персонализированной медицины, потому что ученик и учитель могут работать вместе, чтобы сделать прогнозы на основе уникальных моделей сигнала мозга отдельного пациента, когда прося врача обеспечить постоянную индивидуальную обратную связь очень дорого. Объединение глубокого обучения с носимыми технологиями может быть одним из способов обеспечения этого.

«Представьте, что вы носите умные часы, которые способны отслеживать ваш сигнал ЭЭГ. Затем этот сигнал передается двум различным моделям: есть ли сейчас захват, и в этой ситуации будет приступ в будущем? Вы можете выполнить будущее обучение в этой ситуации, где это будет активно полезно – модель может учиться с большим временем и большим количеством данных», – сказал Гунасекаран.

Лучшие прогнозы захвата

Исследователи проверили свой метод с двумя наборами данных ЭЭГ, которые измеряют мозговая активностьот реальных пациентов с приступом. С одним из наборов данных, от детской больницы Boston MIT, исследователи увидели улучшение показателей прогнозирования на 44,8%, а учитель и учитель и студент Моделируйте как обучение, так и прогнозы из моделей отдельного пациента.

С данными Американского общества эпилепсии, модель учителя была обучена генерализованному захват данные, а не конкретный пациент. Даже с этой более обобщенной версией, которая более близко представляет собой реальную ситуацию, метод показал 8,9% улучшение производительности по сравнению с базовыми методами.

Исследователи также проверили свой метод с общей задачей сравнительного анализа, которую инженеры используют для проверки способности своих моделей ИИ делать прогнозы о сложных системах, называемых уравнением Mackey-Glass. В этом математическом приложении их метод показал 23,4% лучшую производительность по сравнению с базовыми моделями.

Вдохновлен мозгом

Исследование Eshraghian по глубокому обучению черпает вдохновение из чудесной способности человеческого мозга обрабатывать огромное количество информации с относительно небольшим количеством энергии – в то время, когда модели ИИ являются дорогими и болезненно энергетическими.

«Нам нужно получить вдохновение в областях, кроме просто архитектурных улучшений», – сказал Гунасекаран. «Нам нужно взглянуть на мозг и теории кортикальной функции, чтобы попытаться улучшить способ, которым мы можем использовать методы глубокого обучения для прогнозирования временных рядов».

В этом случае исследователи черпают вдохновение из того, как мозг действует как предсказательная машина, постоянно догадаясь, что он испытает следующая бита сенсорной информации. Это только обрабатывает «сюрпризы» – когда реальность отличается от того, что она предсказывала.

«Именно эта идея восприятие и действие продолжают приспосабливаться к минимуму этой ошибки. Таким образом, удивление поможет вам быстрее учиться», – сказал Эшрагиан.

Теперь исследователи могут использовать свои результаты о глубоком обучении, чтобы узнать больше о том, как мозг делает прогнозы в разные времена – от миллисекундов до месяцев вперед.

«Это может дать нам больше понимания того, как мозг использует время для вычисления – следующими логическими шагами для этого исследования могут быть изучение динамического пространства времени и просмотр того, как мозг адаптируется к прогнозам по временным масштабам», – сказал Эшрагиан.