麻省理工学院的研究人员已经开发了一种在工作中学习的神经网络，而不仅仅是在培训阶段。
这些灵活的算法被称为“液体”网络，可以更改其基本等式，以不断适应新的数据输入。这一进步可以帮助根据随时间变化的数据流做出决策，包括那些涉及医疗诊断和自动驾驶的数据流中国机械网okmao.com。
该研究的主要作者拉米·哈萨尼（Ramin Hasani）表示：“这是未来机器人控制，自然语言处理，视频处理-任何形式的时间序列数据处理的前进方向。”
“潜力确实很大。”
这项研究将在2月份的AAAI人工智能会议上进行。
除了Hasani，麻省理工学院计算机科学与人工智能实验室（CSAIL）的博士后，麻省理工学院的合著者还包括CSAIL主任Daniela Rus，电气工程和计算机科学的Andrew and Erna Viterbi教授以及博士生Alexander Amini。
其他合著者包括奥地利科学技术学院的Mathias Lechner和维也纳工业大学的Radu Grosu。
哈萨尼说，时间序列数据对于我们了解世界来说无处不在，而且至关重要。他说：“现实世界全都与序列有关。即使是我们的感知，也并不是在感知图像，而是在感知图像序列。” “因此，时间序列数据实际上创造了我们的现实。”
他指出视频处理，财务数据和医疗诊断应用程序是对社会至关重要的时间序列示例。这些不断变化的数据流的沧桑可能是不可预测的。然而，实时分析这些数据，并使用它们来预测未来的行为，可以促进自动驾驶汽车等新兴技术的发展。因此，哈萨尼（Hasani）建立了适合该任务的算法。
Hasani设计了一种神经网络，可以适应现实世界系统的可变性。神经网络是通过分析一组“训练”示例来识别模式的算法。
人们常说它们模仿了大脑的加工路径-哈萨尼直接从细线虫秀丽隐杆线虫（C. elegans）中汲取了灵感。他说：“它的神经系统只有302个神经元，但它却可以产生意想不到的复杂动力。”
Hasani对他的神经网络进行了编码，并特别注意秀丽隐杆线虫神经元如何通过电脉冲激活和相互交流。在他用来构造神经网络的方程式中，他基于一组嵌套微分方程的结果，允许参数随时间变化。
这种灵活性是关键。大多数神经网络的行为在训练阶段之后是固定的，这意味着它们很难适应传入数据流中的变化。哈萨尼说，他的“液体”网络的流动性使其对意外或嘈杂的数据更具弹性，就像大雨遮挡了自动驾驶汽车上的摄像头的视线一样。他说：“因此，它更强大。”
他补充说，网络灵活性的另一个优势是：“它更具可解释性。”
哈萨尼说，他的液体网络避开了其他神经网络所共有的难解性。Hasani使用微分方程所做的“只要改变神经元的表示形式，就可以真正探索出某种程度的复杂性，而这些复杂性是您无法探索的。” 由于Hasani的高表达神经元数量很少，因此更容易窥视网络决策的“黑匣子”并诊断网络为何具有特定特征。
哈萨尼说：“模型本身在表达能力方面更丰富。” 这可以帮助工程师了解并改善流动网络的性能。
Hasani的网络在一系列测试中表现出色。在准确预测数据集的未来值（从大气化学到交通模式）方面，它使其他最新的时间序列算法的优势降低了几个百分点。他说：“在许多应用中，我们看到性能确实很高。”
另外，该网络的规模小，意味着它无需花费高昂的计算成本即可完成测试。哈萨尼说：“每个人都在谈论扩大他们的网络。” “我们希望按比例缩小规模，以减少节点数量，但增加节点数量。”
Hasani计划继续改进该系统，并准备将其投入工业应用。他说：“我们有一个受自然界启发的更具表现力的神经网络。但这只是该过程的开始。” “一个明显的问题是如何扩展它？我们认为这种网络可能是未来情报系统的关键要素。”
这项研究部分由波音公司，美国国家科学基金会，奥地利科学基金会以及欧洲领先的电子元件和系统资助。