AIモデルは、幅広い分野でより良い予測を行うために時間を操作できます

私たちの周りの世界では、時間の文脈に多くのことが存在します。空を通る鳥の道は、一定期間にわたって異なる位置として理解され、次々に発生する一連の言葉としての会話が理解されます。

コンピューター科学者と統計学者は、これらのシーケンスの時系列を呼び出します。統計学者はこれらのパターンを理解し、未来について予測する方法を見つけましたが、現代 深い学習 AIモデルは、統計モデルよりも悪くないとしても、同様に実行するのに苦労しています。

カリフォルニア大学サンタクルス校のエンジニアは、近い将来のデータに基づいて予測を改善できる、深い学習を促進する時系列予測の新しい方法を開発しました。脳波データを使用して発作予測の重要なタスクにこのアプローチを適用したとき、彼らの戦略は、ベースライン法と比較して発作を予測するために最大44.8％の発作のパフォーマンスを改善することを発見しました。彼らはこの重要なヘルスケアアプリケーションに焦点を合わせていましたが、研究者の方法は、幅広い分野に関連するように設計されています。 a 新しい研究 で 自然コミュニケーション 彼らの結果を報告します。

「世界は時系列の機械であり、すべてが絶えず変化しています」と、電気およびコンピューター工学の助教授で研究の上級著者であるジェイソン・エシュラギアンは述べています。 「AIに世界のために何か良いことをしてもらいたい場合は、時代に変化するダイナミックで絶えず変化する情報を処理できる必要があります。」

将来のガイド、説明

この研究を率いたバスキンエンジニアリングの学部生の研究者であるスカイナセカランは、すでに深い学習に興味があるUCサンタクルスで彼女の最初の年に登場しました。彼女はすぐにEshraghianのNeuromorphic Computing Groupに参加し、このプロジェクトを取り上げて、深い学習時系列予測を改善しました。

研究者の「Future-Guided Learning」手法は、2つの深い学習モデルで動作し、時間系列の予測を行いますが、タイムスケールが異なります。

2つのモデルは、「生徒」と「教師」として一緒に行動します。教師は相対的な未来にあり、予測するように求められているイベントに近いため、より多くのデータを使用する必要があります。教師は、その予測の結果を生徒に戻します。これ 知識移転 学生が将来にさらに予測する能力を向上させます。

発作データのコンテキストでは、この方法は次のように機能します。教師は、脳波データを見て、その正確な瞬間に発作が発生しているかどうかを検出するように求められます。過去30分である学生モデルは、30分で発作が発生するかどうかを予測しようとしています。発作が現在起こっているかどうかに関する教師の情報は、生徒が教師の「将来の」視点から学ぶことができるように、生徒に渡されます。リアルタイムで学んだことはすべて、将来の発作を予測する学生の能力を継続的に改善します。

「発作検出モデルが急上昇すると、発作が発生している可能性が非常に高い場合、将来30分を予測しようとしている学生モデルを引き起こす生徒モデルがトリガーされている場合。これは、生徒が「ねえ、この期間に発作が起こるだろう」と言っていることを知っているので、モデルを実現します。

パーソナライズされた医療

この手法は、学生と教師が協力して個々の患者のユニークな脳信号パターンに基づいて予測を行うことができるため、個別化された医療の機会を提供します。ディープラーニングとウェアラブルテクノロジーを組み合わせることは、これを有効にする1つの方法です。

「EEG信号を追跡できるスマートウォッチを着用していると想像してください。その後、その信号は2つの異なるモデルに渡されます。今すぐ発作がありますか？将来発作がありますか？その状況で将来のガイド付き学習を行うことができます。

発作予測の改善

研究者は、2セットのEEGデータで自分の方法をテストしました。 脳の活動、実際の発作患者から。子供の病院であるボストンMITのデータセットの1つにより、研究者は予測のパフォーマンスが44.8％改善され、教師と教師とともに改善されました。 学生 個々の患者のパターンから学習と予測の両方をモデル化します。

アメリカてんかん協会のデータにより、教師モデルは一般化されています 発作 特定の患者のデータではなくデータ。より一般化されたこのバージョンが現実世界の状況をより密接に表していたとしても、この方法では、ベースライン方法よりもパフォーマンスが8.9％改善されました。

研究者はまた、エンジニアがMackey-Glass方程式と呼ばれる複雑なシステムについて予測するAIモデルの能力をテストするために使用する一般的なベンチマークタスクで自分の方法をテストしました。この数学的アプリケーションでは、その方法では、ベースラインモデルと比較して23.4％のパフォーマンスが示されました。

脳にインスパイアされました

深い学習に関するEshraghianの研究は、AIモデルが高価で痛みを伴うエネルギー集約的であるときに、比較的少ないエネルギーで膨大な量の情報を処理する人間の脳の奇跡的な能力からインスピレーションを得ています。

「単なる建築の改善以外の分野からインスピレーションを得る必要があります」とGunasekaran氏は言います。 「皮質機能の脳と理論を見て、深い学習方法を使用して時系列予測を行う方法を改善する必要があります。」

この場合、研究者は、脳が予測機として機能する方法からインスピレーションを引き出し、それが経験する感覚情報の次のビットを常に推測します。現実が予測したものとは異なる場合、「驚き」を処理するだけです。

「そのエラーを最小限に抑えるために、知覚と行動が一緒に調整され続けるのはこの考えです。したがって、ある意味で、驚かされると、より速く学ぶのに役立ちます」とEshraghianは言いました。

現在、研究者は、深い学習に関する結果を使用して、脳がさまざまなタイムスケールでどのように予測を行うかについての詳細を学ぶかもしれません。

「これにより、脳がどのように時間を使用して計算するかについての洞察が得られる可能性があります。この研究の次の論理的なステップは、時間の動的な空間を探求し、脳がタイムスケール全体でどのように予測に適応するかを見ることができます」とEshraghian氏は言います。