Yo precaución contra esperaba gran parecido entre biológica y redes neuronales artificiales. Creo que el nombre de "redes neuronales" es un poco peligroso, porque engaña a la gente a esperar que los procesos neurológicos y de aprendizaje de la máquina debe ser el mismo. Las diferencias entre biológica y redes neuronales artificiales superan a las similitudes.
Como un ejemplo de cómo esto puede salir mal, también puede activar el razonamiento en el post original en su cabeza. Usted puede entrenar una red neuronal para aprender a reconocer los coches en una tarde, si usted tiene un razonablemente equipo rápido y una cierta cantidad de datos de entrenamiento. Usted puede hacer esto a un binario tarea (coche/no coche) o multi-tareas de clase (coche/tranvía/bicicleta/avión/barco) y de la tranquilidad en un alto nivel de éxito.
Por el contrario, yo no esperaría que un niño sea capaz de recoger un coche el día - o incluso la semana después de haber nacido, incluso después de que se ha visto "muchos ejemplos de formación." Evidentemente algo diferente entre los dos años de edad y un bebé, que representa la diferencia en la capacidad de aprendizaje, mientras que la de vainilla de la clasificación de la imagen de la red neuronal es perfectamente capaz de recoger de clasificación de objetos inmediatamente después de "nacimiento". Creo que hay dos diferencias importantes: (1) la relación de los volúmenes de datos de entrenamiento disponibles y (2) un auto-enseñanza mecanismo que se desarrolla a lo largo del tiempo debido a la abundancia de datos de entrenamiento.
El post original expone dos preguntas. El título y el cuerpo de la pregunta preguntar por qué las redes neuronales de la necesidad de "tantos ejemplos." En relación a la experiencia de un niño, las redes neuronales entrenadas con la imagen de puntos de referencia relativamente pocos datos.
Yo re-frases de la pregunta en el título
"¿Cómo funciona el entrenamiento de una red neuronal para una imagen común de referencia compare y contraste a la experiencia de aprendizaje de un niño?"
Por el bien de la comparación que voy a tener en el CIFAR-10 datos porque es una imagen común de referencia. La parte etiquetada está compuesto de 10 clases de imágenes con 6000 imágenes por clase. Cada imagen es de 32 x 32 píxeles. Si de alguna manera se le amontonan las imágenes marcadas de CIFAR-10 e hizo un estándar de 48 fps de vídeo, que tendría unos 20 minutos de metraje.
Un niño de 2 años que observa el mundo durante 12 horas diarias aproximadamente tiene 263000 minutos (más de 4000 horas) de la observación directa del mundo, incluyendo los comentarios de los adultos (etiquetas). (Estos son sólo cifras aproximadas, no sé cuántos minutos típica de dos años ha pasado de observar el mundo.) Por otra parte, el niño tendrá la exposición a muchos, muchos objetos más allá de las 10 clases que componen CIFAR-10.
Así que hay un par de cosas en el juego. Uno es que el niño tiene la exposición a más de datos en general y una mayor diversidad de origen de datos que el CIFAR-10 modelo. Datos de la diversidad y el volumen de datos son bien reconocidos como pre-requisitos para modelos sólidos en general. En este sentido, no parece sorprendente que una red neuronal es la peor en esta tarea que el niño, debido a que una red neuronal entrenada en CIFAR-10 es positivamente de hambre para los datos de entrenamiento en comparación con los dos años de edad. La resolución de la imagen disponible para un niño es mejor que el de 32 x 32 CIFAR-10 imágenes, por lo que el niño es capaz de aprender información acerca de los detalles finos de los objetos.
El CIFAR-10 a dos años de comparación no es perfecto, porque el CIFAR-10 modelo probablemente serán capacitados con varias pasadas sobre el mismo las imágenes estáticas, mientras que el niño va a ver, el uso de la visión binocular, cómo los objetos están dispuestos en un mundo en tres dimensiones mientras se mueve y con diferentes condiciones de iluminación y perspectivas sobre los mismos objetos.
La anécdota sobre el OP del niño implica una segunda pregunta,
"¿Cómo pueden las redes neuronales auto-enseñanza?"
Un niño está dotado de talento para la auto-enseñanza, de manera que las nuevas categorías de objetos que se pueden añadir con el tiempo, sin tener que empezar desde cero.
OP comentario acerca de la transferencia de aprendizaje de los nombres de un tipo de modelo de adaptación de la máquina en el contexto de aprendizaje.
En los comentarios que otros usuarios han señalado que uno - y pocos-shot de aprendizaje* es otra máquina de aprendizaje de la investigación.
Además, el refuerzo del aprendizaje de las direcciones de auto-modelos de enseñanza desde una perspectiva diferente, lo que permitirá a los robots para realizar el ensayo y error de la experimentación para encontrar las mejores estrategias para la resolución de problemas específicos (por ejemplo, el juego de ajedrez).
Probablemente es cierto que todos los tres de estos máquina paradigmas de aprendizaje son pertinentes para mejorar el funcionamiento de las máquinas de adaptarse a la nueva visión por computador tareas. Rápida adaptación de los modelos de aprendizaje automático para nuevas tareas es un área activa de investigación. Sin embargo, debido a la práctica los objetivos de estos proyectos (identificar nuevas instancias de malware, reconocer a los impostores en fotos de pasaporte, el índice de la internet) y de los criterios para el éxito difieren de los objetivos de aprendizaje del niño sobre el mundo, y el hecho de que uno se hace en un ordenador utilizando las matemáticas y el otro está hecho en material orgánico usando la química, las comparaciones directas entre los dos le siguen cargadas.
Por otro lado, sería interesante estudiar cómo voltear la CIFAR-10 problema de todo y entrenar una red neuronal para reconocer 6000 objetos de 10 ejemplos de cada uno. Pero incluso esto no sería una comparación justa, a la edad de 2 años, porque todavía habría una gran diferencia en el volumen total, la diversidad y la resolución de los datos de entrenamiento.
*No se tienen actualmente una de las etiquetas para el one-shot de aprendizaje o pocos-shot de aprendizaje.
