学习随机数以实现人工智能部署后获取新知识的可追加记忆系统

本研究开发了一种构建能够记忆数据并在不更新参数的情况下进行回recall的神经网络系统的方法。我们使用该方法构建的系统称为可追加记忆系统（Appendable Memory system）。可追加记忆系统使人工智能（AI）能够在部署后获取新知识。它由两个AI组成：记忆器（Memorizer）和召回器（Recaller）。该系统是使用神经网络构建的键值存储。记忆器接收数据并将其存储在可追加记忆向量中，该向量在AI获取新知识时动态更新。与此同时，召回器从可追加记忆向量中检索信息。我们希望在本研究中教会AI记忆和回recall操作。然而，传统机器学习方法使AI学习学习数据集中固有特征。我们演示了我们打算创建的系统无法通过当前机器学习方法实现，即仅通过重复输入和输出学习序列。相反，我们提出了一种教AI学习操作的方法，通过完全删除学习数据中包含的特征来实现。具体而言，我们将涉及学习的所有数据概率化。这一措施防止了AI学习数据的特征。本研究提出的方法不同于传统机器学习方法，为构建能够在有限记忆中存储信息并在稍后检索它的AI系统提供了基本方法。