בעולם סביבנו, דברים רבים קיימים בהקשר של זמן: דרכו של ציפור בשמיים מובנת כעמדות שונות לאורך תקופה, ושיחות כסדרת מילים המתרחשות בזה אחר זה.
מדעני מחשבים וסטטיסטיקאים מכנים את סדרות הזמן של רצפים אלה. למרות שסטטיסטיקאים מצאו דרכים להבין דפוסים אלה ולבצע תחזיות לגבי העתיד, מודלים מודרניים של AI Learning Ai נאבקים לביצוע באותה מידה, אם לא גרועים יותר, מאשר מודלים סטטיסטיים.
מהנדסים מאוניברסיטת קליפורניה, סנטה קרוז, פיתחו שיטה חדשה לחיזוי סדרות זמן, המופעלת על ידי Deep Learning, שיכולה לשפר את תחזיותיה על סמך נתונים מהעתיד הקרוב. כאשר הם יישמו גישה זו על המשימה הקריטית של חיזוי התקפים באמצעות נתוני גל מוח, הם מצאו כי האסטרטגיה שלהם מציעה עד 44.8% ביצועים משופרים לחיזוי התקפים בהשוואה לשיטות הבסיס. בעוד שהם התמקדו ביישום בריאות קריטי זה, שיטת החוקרים נועדה להיות רלוונטית למגוון רחב של שדות. מחקר חדש ב תקשורת טבע מדווח על תוצאותיהם.
העולם הוא מכונה של סדרת זמן, הכל משתנה כל הזמן. אם אתה רוצה שאיי תעשה משהו טוב לעולם, אתה צריך להיות מסוגל להתמודד עם מידע דינמי משתנה בזמן. "
ג'ייסון אשראגהאן, עוזר פרופסור להנדסת חשמל ומחשבים והסופר הבכיר של המחקר
בהדרכה עתידית, הסביר
חוקרת הסטודנטים לתואר ראשון בהנדסת בסקין, סקיי גונאסקארן, שהובילה את המחקר הזה, נכנסה לשנה הראשונה שלה ב- UC סנטה קרוז שכבר התעניינה בלמידה עמוקה. היא הצטרפה במהירות לקבוצת המחשוב הנוירומורפית של אשראגהיאן ולקחה את הפרויקט הזה כדי לשפר את חיזוי סדרות הלמידה העמוקה.
טכניקת "למידה מונחה עתידית" של החוקרים פועלת עם שני מודלים של למידה עמוקה העובדים יחד, שניהם מתחזים סדרות זמן אך על טווחי זמן שונים.
שני הדגמים פועלים יחד כ"סטודנט "ו"מורה". המורה נמצא בעתיד היחסי, קרוב יותר לאירוע שהוא מתבקש לחזות, ולכן יש לו יותר נתונים לעבוד איתם. המורה מעביר את תוצאות התחזיות שלו חזרה לתלמיד-בין אם זה היה נכון או עשה שגיאה. העברת ידע זו משפרת את יכולתו של התלמיד להרחיק את תחזיותיו לעתיד.
בהקשר של נתוני התקפים, השיטה עובדת כדלקמן: המורה מתבקש להסתכל על נתוני גל המוח ולגלות אם התקף מתרחש באותו הרגע המדויק. מודל הסטודנטים, שנמצא 30 דקות בעבר, מנסה לחזות אם יופיע התקף תוך 30 דקות. המידע של המורה על האם ההתקף מתרחש כרגע מועבר לתלמיד, כך שהתלמיד יוכל ללמוד מנקודת המבט 'העתידית' של המורה. כל מה שנלמד בזמן אמת משפר ברציפות את יכולתו של התלמיד לחזות התקפים עתידיים.
"אם מודל גילוי ההתקפים דוקרן, באומרו שיש סבירות גבוהה מאוד כי מתרחש התקף, שמפעיל את מודל הסטודנטים, שמנסה לחזות 30 דקות לעתיד. אותו סטודנט יודע כעת שהמורה אומר, 'היי, יש להתייחס לתקופה זו," כך הוא מפעיל את הדגם, ומשיג את ההתקשרות של החוזה ".
רפואה מותאמת אישית
טכניקה זו מספקת הזדמנות לרפואה מותאמת אישית, מכיוון שהתלמיד והמורה יכולים לעבוד יחד כדי לחזות על בסיס דפוסי האות המוח הייחודיים של מטופל אינדיבידואלי-כאשר מבקשים מרופא לספק משוב קבוע ומותאם אישית הוא יקר מאוד. שילוב למידה עמוקה עם טכנולוגיה לבישה יכול להיות דרך אחת לאפשר זאת.
"תאר לעצמך שאתה לובש שעון חכם שמסוגל לעקוב אחר אות ה- EEG שלך. ואז, האות הזה מועבר לשני דגמים שונים: האם יש התקף ברגע זה, והאם יהיה התקף בעתיד? אתה יכול לבצע למידה מודרכת עתידית במצב זה, שם הוא יועיל באופן פעיל-המודל יכול ללמוד עם הרבה זמן והרבה נתונים," אמר אקדח.
תחזיות התקפות טובות יותר
החוקרים בדקו את השיטה שלהם עם שתי קבוצות של נתוני EEG, המודדת את פעילות המוח, מחולי התקף אמיתי. עם אחד ממערכי הנתונים, מבית החולים לילדים בוסטון MIT, החוקרים ראו שיפור של 44.8% בביצועי החיזוי, כאשר המורה והמודל התלמידים הן לומדים והן מבצעים תחזיות מדפוסי חולה אינדיבידואלי.
עם נתונים של החברה האמריקאית לאפילפסיה, מודל המורים הוכשר על נתוני התקפים כלליים ולא על זה של המטופל הספציפי. אפילו עם הגרסה הכללית יותר הזו, המייצגת יותר מקרוב מצב בעולם האמיתי, השיטה חלה שיפור של 8.9% בביצועים על פני שיטות הבסיס.
החוקרים בדקו גם את שיטתם באמצעות משימת מדד נפוצה בה משתמשים מהנדסים כדי לבדוק את יכולתם של מודלים של AI שלהם לחזות לגבי מערכות מורכבות, המכונה משוואת זכוכית Mackey. ביישום מתמטי זה, השיטה שלהם הראתה 23.4% ביצועים טובים יותר בהשוואה למודלים של קו הבסיס.
בהשראת מוח
המחקר של אשראגהיאן על למידה עמוקה שואב השראה מהיכולת המופלאה של המוח האנושי לעבד כמויות אדירות של מידע עם מעט יחסית אנרגיה-בתקופה בה מודלים של AI הם יקרים ואינטנסיביים באנרגיה עד כאב.
"אנחנו צריכים לקבל השראה מאזורים שאינם רק שיפורים אדריכליים", אמר Gunasekaran. "עלינו להסתכל על המוח והתיאוריות של תפקוד קליפת המוח כדי לנסות ולשפר את האופן בו אנו יכולים להשתמש בשיטות למידה עמוקה כדי לבצע חיזוי סדרות זמן."
במקרה זה, החוקרים שואבים השראה מהדרך בה המוח פועל כמכונה חזויה, ומנחש כל הזמן מה הקטע הבא של מידע חושי שהוא יחווה. זה מעבד רק "הפתעות"-כאשר המציאות שונה ממה שהיא ניבאה.
"זה הרעיון הזה שתפיסה ופעולה ממשיכים להתאים יחד כדי למזער את השגיאה הזו. אז, באופן מסוים, מופתע יעזרו לכם ללמוד מהר יותר," אמר אשרגחי.
כעת, החוקרים עשויים להשתמש בתוצאות שלהם על למידה עמוקה כדי ללמוד יותר על האופן בו המוח מביא תחזיות על טווחי זמנים שונים מאלפיות השנייה לחודשים קדימה.
"זה יכול לתת לנו תובנה רבה יותר לגבי האופן בו המוח משתמש בזמן כדי לחשב-הצעדים ההגיוניים הבאים למחקר זה עשויים לבחון את המרחב הדינאמי של הזמן, ולראות כיצד המוח מסתגל לתחזיות על פני טווחי זמן", אמר אשראגהאן.
