Emberi aggyal fejlesztették a gépi tanulást
![agy, brain](https://cdn.origo.hu/2023/12/U6Ju7MY2fFTiaCOdWNWZrCnOUfMUTH71TIQTKT8Peaw/fill/1347/758/no/1/aHR0cHM6Ly9jbXNjZG4uYXBwLmNvbnRlbnQucHJpdmF0ZS9jb250ZW50LzlkYzdjYjY3ZjZmYTQyNDk5OTRlNmNiODYwY2ViMGEw.webp)
Mint az ELTE keddi, MTI-hez eljuttatott közleményében olvasható, a mesterséges intelligencia felhasználásaiban és a gépi tanulásban szükség van olyan óriási, oktató adathalmazokra, amelyekkel hatékonyan meg lehet tanítani a programokat arra, hogy az adatok bizonyos sajátságait felismerjék. Sokszor azonban nem állnak rendelkezésre milliós adathalmazok. Ezekben az esetekben adatsokszorozást, úgynevezett augmentálást végeznek az adatokon.
A közleményben példaként említik, hogy az önvezető autó vezérlésének beállításakor a közlekedési szituációkat leíró képek egy-egy - többnyire nem lényeges részét - elhomályosítják, elmossák, és így egyetlen eredetiből sok képet tudnak származtatni. A módszer a népszerű képszerkesztő programokban is megtalálható Gauss-homályosítás vagy elmosás (Gaussian blurring).
Az eljárás azonban a biológiai, kémiai szerkezetek és képletek esetében nem működik: erre a problémára kerestek megoldást a magyar kutatók. Az ELTE Matematikai Intézete PIT Bioinformatikai Csoportjának kutatói - Keresztes László, Szögi Evelin és Varga Bálint Grolmusz Vince professzor vezetésével - kidolgozták a Newton-elmosás módszerét, amellyel nem csak képi adatokat lehet megsokszorozni.
Az új, Newton-elmosás az adatok javítási mechanizmusát variálja: a nagyobb megbízhatóság kedvéért többször mérünk vagy számolunk ki valamilyen mennyiséget, és ezeket átlagolva használjuk. Ha valamit például tízszer mérünk meg, és a 10 mérésből minden lehetséges módon kiválasztunk mondjuk 7-et, és ezeket külön-külön átlagoljuk, akkor az adatokat megsokszorozhatjuk annyiszor, ahányszor 10 adatból 7-et ki lehet választani, a példában ez éppen 120.
Az ELTE-s kutatók módszere nem visz be mesterséges 'homályosítást', mint a Gauss-elmosás, hanem az adatjavításba avatkozik bele: a megsokszorozott adatok minősége jobb, mint az egyedi adatoké, hiszen - a példánkban - hét mérés eredményeit átlagoltuk"
- magyarázzák a kutatók.
A kutatók a Newton-elmosást először az emberi agy kapcsolatait leíró, 1 053 alanytól származó agygráfokra alkalmazták, és így az adathalmaz méretét százhúszszorosára növelték, azaz, mint írják, 126 360 agygráfot készítettek az adathalmazból.
A kutatók minden agygráfot öt különböző felbontásban számoltak ki, így 5-ször 126 360, azaz 631 800 agygráfot tehettek közzé.
A megnövelt adathalmazon igazolták a módszer használhatóságát a gépi tanulásban.
A közlemény szerint az új agygráfok kiszámítása mintegy három hetet vett igénybe a kutatócsoport 36 számítógépén. Az új, a szerzők által Newton-elmosásnak nevezett módszer nem csak agygráfokra, de sok más, köztük kémiai és biológiai adathalmazra is használható.
Az ELTE kutatóinak tanulmánya a Scientific Reports című szaklapban jelent meg februárban.