Visione IA più robusta con la casualità del cervello, in laboratorio

Un sistema di visione può leggere un cartello stradale in piena luce e non riconoscere lo stesso cartello parzialmente nascosto dal rumore. Le persone difficilmente commettono questo errore. Un team dell'Hertie Institute for Clinical Brain Research di Tubinga ha cercato di capire il perché e, poi, di verificare se la risposta potesse essere trasferita al software. I risultati, pubblicati sulla rivista Patterns, mostrano che due caratteristiche ispirate al cervello funzionano meglio insieme che separatamente: secondo lo studio, la combinazione rende il riconoscimento delle immagini nettamente più affidabile.

La prima caratteristica è ciò che i neuroscienziati chiamano feedback dall'alto verso il basso. Quando vediamo, le informazioni non passano semplicemente dagli occhi al cervello. Le aree cerebrali superiori inviano anche segnali indietro alle fasi di elaborazione precedenti, influenzando il modo in cui vengono gestite le informazioni sensoriali in ingresso. La maggior parte delle reti neurali artificiali non ha un percorso di ritorno di questo tipo. La seconda caratteristica è la variabilità neurale, cioè le fluttuazioni casuali nell'attività delle cellule nervose. Il team, guidato dal professor Markus Siegel, con il dottor Antonino Greco come primo autore, si è chiesto se il feedback diventi utile solo quando viene combinato con questa casualità.

L'esperimento era semplice da descrivere. I ricercatori hanno addestrato reti neurali a riconoscere immagini, alcune con feedback e altre senza. Per imitare in modo semplificato la casualità del cervello, hanno disattivato temporaneamente e in modo casuale singole unità della rete durante l'addestramento. Il solo feedback ha portato pochi benefici. Con l'aggiunta della disattivazione casuale, le reti sono diventate sensibilmente più robuste al rumore nelle immagini e alle modifiche mirate che causano errori di classificazione, e hanno anche ottenuto risultati migliori su immagini diverse dai dati di addestramento. «Pensavamo che il solo feedback dall'alto verso il basso sarebbe stato sufficiente», afferma Greco. «Ma questa ipotesi non si è confermata. Il feedback diventa efficace solo quando la rete ha imparato a gestire la casualità».

Le analisi dei ricercatori indicano una divisione dei compiti. La variabilità casuale impedisce alle singole unità di diventare troppo dipendenti l'una dall'altra durante l'apprendimento e rende l'attività della rete più irregolare. Il feedback utilizza poi le informazioni provenienti dalle fasi superiori per organizzare questa attività in schemi più stabili e compatti. I due meccanismi svolgono funzioni diverse, e lo studio suggerisce che si completano a vicenda.

Per gli ingegneri che costruiscono sistemi di visione, il vantaggio immediato è un metodo di addestramento da sperimentare, non un prodotto finito. I ricercatori presentano l'approccio come un possibile modo per rendere in futuro la visione artificiale più robusta ai disturbi delle immagini, e il lavoro serve anche alla ricerca sul cervello, perché modelli di questo tipo aiutano a chiarire come il cervello elabora le informazioni. Le reti dello studio erano simulazioni, e la disattivazione casuale è solo una versione semplificata della variabilità cerebrale. Lo studio non riporta test su auto, apparecchiature mediche o altri dispositivi reali, e non fornisce alcuna tempistica per questo passaggio.