传统 AI 系统的一次性修正与随机分离定理
机器学习
2019-02-14 v4 机器学习
摘要
我们考虑对现有或传统 (legacy) 人工智能 (AI) 系统进行高效“在线”调整的问题。传统 AI 系统可以是任意类别，但它们用于计算中间或最终决策响应的数据应具备高维拓扑实向量空间的底层结构。我们提出的调整方法能够在无需重新训练系统的情况下处理错误。该方法不是重新训练系统，而是在传统系统中添加一个简单的感知器节点级联。添加的级联调节 AI 传统系统的决策。如果重复应用此过程，将形成一个调节规则网络，从而“包装”并提升现有 AI 系统的性能。该方法的数学原理基于高维空间中测度集中这一基本性质。本文以微调一个预训练用于检测图像中行人的深度卷积网络为例说明了该方法。
引用
@article{arxiv.1610.00494,
title = {One-Trial Correction of Legacy AI Systems and Stochastic Separation Theorems},
author = {Alexander N. Gorban and Ilya Romanenko and Richard Burton and Ivan Y. Tyukin},
journal= {arXiv preprint arXiv:1610.00494},
year = {2019}
}