Die nächste Generation des maschinellen Lernens in Europa
Aktuelle Methoden des maschinellen Lernens kämpfen mit der zunehmenden Vielfalt und Komplexität der großen Zahl von Aufgaben und Zielen. Angesichts der Fortschritte dieser Technologie und da Lernalgorithmen zu Schlüsselkomponenten werden, müssen sie mit dieser zusätzlichen Komplexität umgehen können. In diesem Sinne hat sich das durch die EU-finanzierte Projekt HERL (Large scale machine learning for simultaneous heterogeneous tasks) daran gemacht, ein Werkzeug zu entwickeln, das für die Lösung von Multitask-Reinforcement-Lernproblemen die Leistung von neuen und bestehenden Algorithmen untersucht. Es hat sich auch mit der Schaffung von Algorithmen befasst, um viele und gleichzeitige Ziele behandeln. Die Projektpartner entwickelten zunächst einen Zufallsproblemgenerator für Lernprobleme, Merlin genannt. Er ist hinsichtlich seiner Fähigkeit, Multitask-Lernprobleme mit einer Kontrolle der Struktur der Inter-Task-Beziehungen zu erzeugen, bekannt. Merlin ist nun frei verfügbar und wird kontinuierlich verbessert, um eine breitere Palette von Problemstrukturen bereit zu stellen. Das HERL-Team baute eine Software-Plattform, um Multitask-Reinforcement-Lernalgorithmen anzuwenden. Es analysiert auch Daten zur Leistung der verschiedenen Lernalgorithmen, die entwickelt und an erzeugten und tatsächlichen Probleme getestet wurden. Um dies zu erreichen, erstellten die Forscher zunächst bekannte Problemstrukturen und untersuchten dann diese Probleme, um effektivere Lernalgorithmen zu entwerfen. Dank HERL und Merlin können Forscher auf dem Gebiet des Reinforcement-Lernens beurteilen, ob ihre Algorithmen der Lage sind, über eine größere Vielfalt von Problemen leistungsfähig zu sein, als die, die derzeit von ihren Kollegen verwendet werden. Die neuen Algorithmen können Probleme mit mehr als zwei oder drei gleichzeitigen Zielen meistern. Die maschinellen Lernsysteme von Morgen werden effektiver sein, und weniger direkten menschlichen Eingriff und Rechenaufwand benötigen.
Schlüsselbegriffe
Maschinelles Lernen, Algorithmen, heterogene Aufgaben, Reinforcement Learning
