지난 몇 년 동안 인공 지능의 성공은 심층 신경망에 직접적으로 기인할 수 있습니다. 이미지 인식에서 스마트 온도 조절 장치 및 자율 주행 자동차에 이르기까지 AI는 스마트폰을 포함한 모든 것에 액세스할 수 있습니다. 이것이 범용 신경망이 된 방식입니다. 그러나 이 시스템의 중요한 원칙 중 일부가 AI가 직면한 주요 문제를 극복하지 못할 수도 있다는 우려가 커지고 있습니다. 이것은 "전통적인" 신경망이 시장을 떠나고 "캡슐" 신경망과 같은 최첨단 신경망으로 대체될 수 있음을 의미합니다.
전통/인공 신경망이란 무엇이며 어떻게 작동합니까?
학창시절에 뇌의 단일 생물학적 뉴런에 대한 시뮬레이션을 살펴보았을 것입니다. 다양한 방향의 정보가 뉴런에서 축적되고 처리되어 거기서 결과가 흘러나오는 과정을 설명한다. 이 프로세스는 뉴런이 이전에 학습한 패턴에 따라 반응할 수 있는 능력을 부여합니다. 과학은 생물학적 뉴런과 같은 정보를 처리하는 구조를 만들어 이 과정을 복제했습니다. 대신 기술적인 신경망은 정보가 인공 뉴런을 통과하고 거기에서 결과가 흘러 나오는 수학적 기반입니다. 이 프로세스는 이제 수학 공식이 되었으며 간단한 문제를 해결하는 데 사용됩니다.
출처:ptgrey
뇌에 관해서는 인공 뉴런 네트워크 능력이 네트워크 세트를 레이어로 함께 연결하고 있습니다. 그것들을 레이어로 연결하면 수학 공식은 다차원 다항식과 같은 것이 됩니다. 이를 통해 3D 솔루션 표면과 같은 복잡한 문제를 발견하고 해결하고 우리의 이익을 위해 사용할 수 있습니다. 이전과 마찬가지로 정보가 유입되고 결과가 유출되지만 이번에는 두 번째 계층을 통해 흐르는 입력이 첫 번째 계층의 출력입니다. 단일 레이어에 대한 이 정확한 단계는 신경망의 각 레이어에 대해 간단히 반복됩니다. 이것이 인공 신경망이 작동하는 방식입니다.
참조: 인류를 기계에게 가르쳐야 할까요?
캡슐 네트워크란 무엇이며 어떻게 작동합니까?
이것은 캡슐로 구성된 새로운 종류의 신경망입니다. 여기에서 각 뉴런의 작은 클러스터는 특정 부분에 연결됩니다. 이 개념을 이해하려면 각각의 뉴런에 연결된 여러 구성 요소로 구성된 그림을 상상해 보십시오. 각 뉴런의 활동은 이미지 구성 요소의 특성을 결정하고 각 캡슐은 단일 구성 요소를 인식합니다.
출처:robohub
캡슐 네트워크는 뉴런 그룹의 네트워크로, 각 뉴런은 이미지의 독립적인 식별 가능한 엔터티를 나타냅니다. Capsule Network는 CNN(Convolutional Neural Networks)의 단점을 극복하기 위해 구성되었습니다. 예를 들어 캡슐 네트워크는 전통적인 신경망에는 없는 이미지 내 각 구성 요소의 방향, 현지화 및 정확한 위치를 지정합니다.
캡슐 네트워크 적용
기존 신경망의 주요 제한 사항은 컴퓨터 비전입니다. Capsule Network는 이 문제를 해결하는 것을 목표로 합니다. 사실 Capsule Network를 개발하는 전체 아이디어는 이 문제를 해결하는 것입니다.
전통적인 신경망은 현재 더 적은 데이터로 이미지를 인식하거나 이미지 내의 구성 요소 간의 상황적 우발성을 감지하는 데 문제가 있습니다. 여기에서 Capsule Network는 문제 해결사가 될 수 있습니다.
참조: AI 기계를 위한 최고의 프로그래밍 언어는 무엇입니까?
전통적인 신경망은 학습을 위해 엄청난 양의 데이터 소스를 거치지만 캡슐 네트워크 조정은 다릅니다.
캡슐 네트워크가 전통적인 신경망의 이탈을 약속한다고 주장하는 사람들도 있지만, 많은 연구자들은 이러한 네트워크가 제대로 작동하지 않을 수 있는 응용 범위를 지적했습니다. 그때까지 우리는 그저 기다리며 지켜볼 수 있습니다. 이것은 모두 신경망에 관한 것입니다. 공유할 내용이 있으면 아래 섹션에 댓글을 달아주세요.