Тот тип строительства модели сложный, однако, в случаях, в которых группы роботов работают командами. Роботы, возможно, собрали информацию, которая, коллективно, создала бы хорошую модель, но которая, индивидуально, почти бесполезна.
Если ограничения на власть, коммуникация или вычисление означают, что роботы не могут объединить свои данные в одном местоположении, как они могут коллективно построить модель?В Неуверенности на конференции по Искусственному интеллекту в июле, исследователи из Лаборатории MIT для получения информации и Систем Решения ответят на тот вопрос. Они представляют алгоритм, в котором распределенные агенты – такие как роботы, исследуя здание – собирают данные и анализируют их независимо. Пары агентов, такие как роботы, встречающие друг друга в зале, затем обменные исследования.
В экспериментах, включающих несколько различных наборов данных, распределенный алгоритм исследователей на самом деле выиграл у стандартного алгоритма, который работает над данными, соединенными в единственном местоположении.«У единственного компьютера есть очень трудная проблема оптимизации решить, чтобы узнать о модели из единственной гигантской партии данных, и это может застрять в плохих решениях», говорит Тревор Кэмпбелл, аспирант в аэронавтике и астронавтике в MIT, который написал новую работу с его советником, Джонатаном Как, профессор Ричарда Кокберна Маклорина Аэронавтики и Астронавтики. «Если меньшие куски данных будут сначала обработаны отдельными роботами и затем объединены, заключительная модель, менее вероятно, застрянет в плохом решении».Кэмпбелл говорит, что работа была мотивирована вопросами о сотрудничестве робота.
Но это могло также иметь последствия для больших данных, так как это позволит распределенным серверам объединять результаты своих анализов данных, не соединяя данные в центральном расположении.«Эта процедура абсолютно прочна к в значительной степени любой сети, о которой Вы можете думать», говорит Кэмпбелл. «Это – в значительной степени гибкий алгоритм изучения для децентрализованных сетей».Соответствие проблемеЧтобы получить смысл проблемы Кэмпбелл и Как решенный, вообразите команду роботов, исследовав незнакомое офисное здание.
Если их изучение алгоритма будет достаточно общим, у них не будет предшествующего понятия того, что стул, или стол, уже не говоря о конференц-зале или офисе. Но они могли решить, например, что некоторые комнаты содержат небольшое количество объектов, имеющих форму стула вместе с примерно тем же самым количеством объектов, имеющих форму стола, в то время как другие комнаты содержат большое количество объектов, имеющих форму стула вместе с единственным объектом, имеющим форму стола.Со временем каждый робот создаст свой собственный каталог типов комнат и их содержания.
Но погрешности, вероятно, закрадутся: Один робот, например, могло бы оказаться, столкнулся бы с конференц-залом, в котором некоторый путешественник оставил чемодан и приходит к заключению, что чемоданы – правильные черты конференц-залов. Другой мог бы войти в кухню, в то время как кофеварка затенена открытой дверью холодильника и кофеварками отпуска от его инвентаря кухонных пунктов.
Идеально, когда два робота столкнулись друг с другом, они сравнят свои каталоги, укрепляя взаимные наблюдения и исправляя упущения или сверхобобщения. Проблема состоит в том, что они не знают, как соответствовать категориям. Ни один не знает этикетку «кухня» или «конференц-зал»; у них просто есть этикетки как «комната 1» и «комната 3», каждый связанный с различными списками отличительных признаков.
Но комната 1 одного робота могла быть комнатой 3 другого робота.С Кэмпбеллом и Как алгоритм, роботы, пытаются соответствовать категориям на основе общих пунктов списка.
Это обязано привести к ошибкам: Один робот, например, возможно, вывел, что сливы и управляемый педалью trashcans – отличительные признаки ванных, другой, что они – отличительные признаки кухонь. Но они прилагают все усилия, объединяя списки, что они думают, переписываются.Когда любой из тех роботов встречает другой робот, он выполняет ту же самую процедуру, соответствуя спискам, поскольку лучше всего он может.
Но вот решающий шаг: Это тогда вытаскивает каждый из исходных списков независимо и матчей – реваншей это другим, повторяя этот процесс ни до каких результатов переупорядочения. Это делает это снова с каждым новым роботом, с которым это сталкивается, постепенно строя более точные модели.Наложение заказаЭта относительно прямая процедура следует из некоторого довольно сложного математического анализа, который исследователи, присутствующие в их статье. «Способ, которым компьютерные системы изучают эти сложные модели в эти дни, состоит в том, что Вы постулируете более простую модель и затем используете ее, чтобы приблизить то, что Вы получили бы, если бы Вы смогли иметь дело со всеми сумасшедшими нюансами и сложностями», говорит Кэмпбелл. «Что делает наш алгоритм вид, искусственно повторно вводят структуру, после того, как Вы решили ту более легкую проблему, и затем используете ту искусственную структуру, чтобы объединить модели правильно».
В реальном применении роботы, вероятно, только классифицировали бы комнаты согласно объектам, которые они содержат: они также классифицировали бы сами объекты, и вероятно их использование. Но Кэмпбелл и Как процедура, делает вывод к другим проблемам изучения точно также.Пример классификации комнат согласно содержанию, кроме того, подобен в структуре классической проблеме в обработке естественного языка, названной моделированием темы, в котором компьютер пытается использовать относительную частоту слов, чтобы классифицировать документы согласно теме.
Это было бы дико невозможно хранить все документы в сети в единственном месте, так, чтобы традиционный алгоритм машинного обучения мог предоставить последовательную систему классификации всем им. Но Кэмпбелл и Как алгоритм, подразумевает, что рассеянные серверы могли крутиться далеко на документах в их собственных углах сети и все еще создать коллективную модель темы.
«Распределенное вычисление будет играть решающую роль в развертывании многократных автономных агентов, таких как многократная автономная земля и бортовые транспортные средства», говорит Лоуренс Кэрин, преподаватель электротехники и вычислительной техники и вице-ректора для исследования в Университете Дюка. «Распределенный вариационный метод, предложенный в данной статье, в вычислительном отношении эффективен и практичен. Один из ключей к нему – техника для обработки ломки симметрий, проявленных в выводе Bayesian.
Решение этой проблемы очень ново и, вероятно, будет усилено в будущем другими исследователями».