Ny metod försöker lära neurala nätverk att förstå del-helhet-relationer

arXiv cs.AI

Forskare föreslår en ny geometrisk metod kallad 'canonical locks' för att lära neurala nätverk att förstå hur delar bygger upp helheter – ett gammalt problem inom AI-forskningen. Grundidén är att koda information i högedimensionella vektorer (minst 4 dimensioner) och låta fasskillnader (skillnader i svängningsläge) mellan dem bära meningsfull struktur. Intressant nog verkar nätverket uppvisa kopplingar till det psykologiska fenomenet mental rotation, det vill säga hur hjärnan roterar objekt i tankarna.