人工智能不仅涉及模式识别精度。算法需要能够遇到问题并继续前进。
考虑到这一点，九州大学的研究人员说，他们创造了一种新的方法来提高面部识别算法的鲁棒性 - 所谓的原始零摄像方法。
首席研究员Danilo Vasconcellos Vargas说，过多的精度是由AI在实验室外部运作的精确性。
瓦尔加斯说：“我们必须研究改善鲁棒性和灵活性的方法。” “那么我们也许能够发展出真正的人工智能。”
在《科学杂志》中的文章中描述PLOS一个，原始零射方法旨在评估神经网络如何处理未知元素。这可能会在理解如何生成对抗网络可用于打败生物识别算法和其他AI系统。
“有一系列用于图像识别神经网络的现实应用程序，包括自动驾驶汽车和医疗保健中的诊断工具，”九州信息科学和电气工程学院的瓦尔加斯说。
他说：“但是，无论训练有多种训练的AI，它都会因图像的略有变化而失败。”当然，质量的数据集是最重要的用于正确培训机器学习算法。
实际上，高度精确算法有时会被无法用人眼检测到的元素打破。
为了了解与图像识别故障相关的问题，九州研究人员将原始零击方法应用于12种人工智能算法。
Vargas解释说：“如果您将图像给予AI，它将尝试告诉您它是什么，无论该答案是否正确，” Vargas解释说。
“基本上，我们给了AIS一系列没有提示或培训的图像。我们的假设是，它们的回答是错误的。它们是错误的，但以相同的方式进行了错误。”
研究背后的理由是了解AI处理未知图像时的反应。然后可以使用该方法来分析为什么面对单像素更改时算法破裂。
据报道，在Vargas团队分析的算法中，胶囊网络（通常称为CAPSNET）产生了最稠密的簇，从而在神经网络中提供了解决问题的知识的最佳传递性。
他补充说：“尽管今天的AIS是准确的，但它们缺乏进一步效用的鲁棒性。我们需要了解问题是什么以及为什么发生的问题。在这项工作中，我们展示了研究这些问题的可能策略。”
研究结果是在京都大学发表另一本以生物识别的论文发表几周后。关于呼吸识别作为可能的化学生物特征识别符。
