MIT Araştırmacılarından Yenilikçi Bir Yaklaşım
MIT araştırmacıları, 20’den fazla klasik makine öğrenimi algoritmasının bağlantılarını gösteren bir dönem tablosu geliştirdi. Bu yeni çerçeve, bilim insanlarının farklı yöntemlerden stratejileri birleştirerek mevcut yapay zeka modellerini geliştirmelerine veya yeni modeller üretmelerine ışık tutuyor.
Örneğin, araştırmacılar bu çerçeveyi kullanarak iki farklı algoritmanın unsurlarını birleştirip, mevcut en iyi yaklaşımlardan %8 daha başarılı bir görüntü sınıflandırma algoritması türettiler.
Algoritmaların Temel Matematiği
Periyodik tablonun temel bir fikre dayandığı belirtildi: Tüm bu algoritmalar, veri noktaları arasındaki belirli bir ilişkiyi öğreniyor. Her bir algoritma bunu farklı bir şekilde gerçekleştirse de, her yaklaşımın arkasındaki matematiksel yapı aynıdır.
Kendi bulgularını destekleyerek, araştırmacılar pek çok klasik AI algoritmasını temel alan bir birleştirici denklem tanımladılar. Bu denklemi kullanarak popüler yöntemleri yeniden çerçevelediler ve onları bir tablo içinde düzenlediler; her birini öğrendikleri ilişkilerin yaklaşık türüne göre kategorize ettiler.
Keşif İçin Bir Araç
Tablonun yapısı, boş alanlar içermekte ve bu alanlar, henüz keşfedilmemiş algoritmaların nerede olması gerektiğini öngörüyor. Shaden Alshammari, bu tablonun araştırmacılara, önceki yaklaşımlardan fikirleri yeniden keşfetmeden yeni algoritmalar tasarlama araçları sunduğunu ifade ediyor.
“Bu sadece bir metafor değil,” diyor Alshammari. “Makine öğrenimini, keşfedilecek bir uzay olarak görebilmeye başlıyoruz.”
Bu çalışmayı destekleyen diğer yazarlar arasında John Hershey ve William Freeman gibi önemli isimler de yer alıyor. Araştırma, Uluslararası Temsiller Öğrenme Konferansı’nda sunulacak.
Birleştirici Denklem ve Yenilikçi Uygulamalar
Alshammari, çalıştığı kümeleme algoritması ile başka bir klasik makine öğrenimi algoritması olan zıt öğrenme arasında bir benzerlik keşfetti. İki farklı algoritmanın aynı temel denkleme dayandığını fark etmesi, yeni yöntemlerin geliştirilmesi için bir ilham kaynağı oldu.
“Bu bir kazayla ortaya çıkan birleştirici denklem,” diyor Mark Hamilton. “Bir yöntem bulduktan sonra, bu çerçeveye eklenebilecek diğer yöntemleri düşünmeye başladık.”
Yarattıkları çerçeve olan bilgi zıt öğrenme (I-Con), çeşitli algoritmaların bu birleştirici denklemin ışığında nasıl gözlemlenebileceğini gösteriyor. Bu yaklaşım, koordinatları içeren doğrulama algoritmalarından, büyük dil modellerini destekleyen derin öğrenme algoritmalarına kadar geniş bir yelpazeyi kapsıyor.
