从语音识别系统到自助泊车和其他人工智能领域，“机器学习”的最新发展是“机器学习”。总是可以吸引公众的注意。所谓的机器学习就是让计算机在数据库中搜索特定的模型以获得新技能，并让自主机器人[占资本研究报告的-0.74％]建立环境的行为模型。但是，在集群机器人的协作工作中，这种建模变得非常复杂。这些机器人可以集体收集对单个机器人没有用的完美模型。如果机器人由于功率，通信和计算的限制而无法整合所有数据，那么他们如何完成通用建模？根据物理学家组织网络的最新报告，来自麻省理工学院信息与决策系统实验室的研究人员将在“人工智能的不确定性”问题上回答上述问题。研讨会将于七月举行。他们将展示一套计算方法，以证明两个间谍机器人可以一起搜索建筑物，并在经过大厅时相互交换分析结果。先分开再重组。在该实验中，研究人员使用了分布式计算方案，该方案优于当前流行的在单个位置聚合数据的标准算法。 “一台计算机需要从庞大的批处理数据库中学习建模以处理困难的问题，但是当出现不良的处理解决方案时，它们通常会卡住。如果小数据块由一台计算机进行预处理然后集成，则最终模型将很少卡住。 “麻省理工学院航空航天专业毕业生Trevor”坎贝尔在与导师乔纳森＆middot;共同撰写的论文中得出结论。霍尔＆middot;理查德＆middot; Kokmark Laurin教授。坎贝尔的新算法是一种非常灵活的分散式网络学习程序。想象一下，有多个机器人在一个陌生的办公空间中搜索，您会对Campbell和Howe所解决的问题有所了解。如果这些机器人的学习过程是平均水平的，则它们不需要事先知道椅子是什么，桌子是什么，或者会议室或办公室是什么。但是他们可以说有些房间包含一些小的椅子形物体和大约相同数量的桌子形物体，而另一个房间则包含大量的椅子形物体和桌子形物体。随着时间的流逝，每个机器人都将根据其搜索到的房屋中的房间和物品建立自己的列表。但是也存在错误：例如，机器人碰巧进入会议室，并且会议室中一些来访者还留下了手提箱，这得出结论：“手提箱”是指行李箱。也是会议室的常规功能；另一个机器人可能会进入厨房，并且咖啡机被打开的冰箱门堵塞，因此将咖啡机从厨房用品列表中删除。理想情况下，当两个机器人见面时，它们将自动比较双方的产品清单，以加强彼此的观察并防止遗漏或泛化。问题在于他们不知道如何匹配“厨房”类别标签。或“会议室”，他们只能确定它是“会议室1”。和“ 3号房”，但该机器人的“ 1室”可能是“ 3号房”另一个机器人。这些机器人使用Campbell和Howe的算法，将尝试基于共享项目列表相互匹配类别，并尽最大努力合并相关项目列表。当任何一个机器人遇到其他机器人时，它将执行相同的过程。最重要的是，每个机器人独立地创建一个列表，然后与其他机器人进行匹配，从而逐渐建立越来越准确的模型。 。人工重建新的“顺序”。研究人员在论文中提出了上述看似简单的过程，但在该简单过程的背后是一些相当复杂的数学分析。 “近年来，机器学习的方法是假设一个简单的模型，然后使用它来接近所需的结果。当然，前提条件是您可以处理所有细微差别和复杂性。坎贝尔说，“我们的算法是一种人工重构，也就是说，在您成功解决了一个简单的问题后，请使用人工重构对模型进行正确合并。在实际应用中，将不会指派机器人来区分包含不同物品的房间，而是更可能被用来区分物品本身及其用途。坎贝尔和豪的算法可以激发“机器学习”面临的其他问题。另外，此示例基于项目识别房间