麻省理工学院的研究人员创建了一个元素周期表，该表显示了20多种经典自动学习算法之间的联系。这个新框架揭示了科学家如何整合不同方法的策略，以改善现有的AI模型或提出新模型。请引用本文的地址。例如，研究人员使用框架结合了两种不同算法的元素来创建一种新的图像分类算法，该算法比当前的Avant -Garde方法好8％。这个周期性的表来自一个重要的想法。所有这些算法学习数据点之间的特定关系。每种算法的做法略有不同，但是每种方法背后的中央数学是相同的。根据这些想法，研究人员确定了构成许多经典算法的基础的统一方程式。他们使用方程式重建甲基氧气，将它们放在表中，并根据近似关系对每种方法进行分类他们学到了。周期性的自动学习表中存在差距，而定期化学元素的周期表首先包括空白正方形，科学家填补了。这些差距表示算法的存在位置，但尚未发现它们。该表为研究人员提供了一组工具，使他们可以设计新的算法，而无需重新发现以前方法的想法，这是根据麻省理工学院和文章的作者毕业的Shaden Alshammari的说法。 "It is not just a minority. We are beginning to think about automatic learning such as a structured system, a space where we can explore, instead of moving forward," added Alshammari, co -author of the graduate student of MIT Axel Feldmann, Professor of Electrical Engineering and Computer Sciences, Professor William Freeman of the MIT Mark Hamilton, graduated student of the MIT and student of MIT Alumni Felel.这项研究将在国际学习会议上介绍。来自你的研究人员Nexpected方程最初不打算创建自动学习元素的周期表。加入Freeman实验室后，Alshamali开始了对该小组的研究。这是一项自动学习技术，它通过学习在KU组中组织类似图像来对图像进行分类。他意识到他所工作的小组算法与称为“对比学习”的经典自动学习算法非常相似，并开始加深数学。 Alshamari发现，可以使用相同的基本方程式来表达这两种不同的算法。该统一方程几乎是错误的。当Shaden发现他可以连接两种方法时，Comhe梦见在此框架中引入新方法。汉密尔顿说，我们几乎可以添加我们尝试的所有方式。他们创建的框架，学习信息比较（I-CON），演示了如何通过此集成方程来显示不同的算法。从LLM到深度学习算法的垃圾邮件。该方程式说明了这些算法如何在实际数据点之间找到连接并在内部接近这些连接之间的连接。每种算法旨在最大程度地减少培训数据的连接与实际连接的连接之间的偏差。他们决定根据周期表中的I-I-I-I-I-I-I-IT在真实数据集中连接的点以及算法可以近似这些连接的主要方式来对算法进行分类。 Alshammari说，这项工作的发展缓慢，一旦确定了该方程的一般结构，就更容易在框架中添加更多形式。当发现工具放置这张桌子时，研究人员开始看到一些算法可能存在但尚未发明的差距。研究人员已经填补了一种空间绘制一种称为对比度学习的自动学习技术，并将其应用于图像的分组。这个CreATE是一种新算法，在未标记图像的分类中，它比另一种Avant -Garde方法高出8％。我们还展示了如何使用I-CON使用数据开发的用于比较学习的技术来提高组算法的准确性。此外，灵活的周期表使研究人员可以提供新的行和列。可以添加它以表示其他数据点连接类型。汉密尔顿说，最终，将I-with作为指导的I可以鼓励学习科学家摆脱您的心态并结合想法，以便他们认为其他方式。他补充说：“植根于信息科学的非常优雅的方程式表明，它可以提供大量涵盖100年自动学习研究的算法，从而为发现开辟了许多新的途径。”这项研究部分由空军加速器，人工智能研究所以及国家科学基金会的基本互动，和量子计算机。