Nieuwe neurale netwerken met differentieerbare geloofsfuncties
Onderzoekers hebben een methode ontwikkeld om Yager's combinatieregel te integreren in neurale netwerken. Dit lost wiskundige problemen op die ontstaan bij tegenstrijdige informatiebronnen tijdens de training van het netwerk.
Bij het combineren van bewijs in machine learning kan er conflict ontstaan tussen verschillende bronnen. Bestaande normalisatietechnieken kunnen in zulke situaties leiden tot instabiliteit in de gradiënten tijdens de backpropagation. Een recent artikel stelt voor om een alternatieve regel toe te passen om dit probleem te omzeilen.
Verbeterde robuustheid bij onzekerheid
Door gebruik te maken van specifieke wiskundige lagen in diepe neurale netwerken kan het systeem beter omgaan met tegenstrijdige data. Dit soort fundamenteel onderzoek helpt om de betrouwbaarheid en stabiliteit van AI-architecturen te vergroten wanneer ze werken met onzekere informatie.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.AI). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel