幾天前，據(jù)外媒報道，麻省理工學院的研究人員表明，當一個特定的神經(jīng)網(wǎng)絡被訓練來執(zhí)行導航任務時，它可以理解任務的真正因果結(jié)構(gòu)。這項研究可以提高實現(xiàn)高風險機器學習代理的可靠性和可信度，例如在繁忙的高速公路上駕駛自動駕駛汽車。

據(jù)報道，這種神經(jīng)網(wǎng)絡可以直接從視覺數(shù)據(jù)中理解這一任務，在樹木茂密或天氣條件變化迅速的地方等復雜環(huán)境中導航時，比其他神經(jīng)網(wǎng)絡更高效。這項新的研究利用了Hasani等人先前的研究，他們展示了一個由液體神經(jīng)網(wǎng)絡細胞構(gòu)建的大腦啟發(fā)的深度學習系統(tǒng)——神經(jīng)回路策略，如何通過只有19個控制神經(jīng)元的網(wǎng)絡自動控制自動駕駛汽車。

研究人員觀察到，執(zhí)行車道保持任務的NPC在做出駕駛決策時會關注道路的地平線和邊界，這與人類駕駛汽車的情況相同，而所研究的其他神經(jīng)網(wǎng)絡不會總是關注道路。他們發(fā)現(xiàn)，當一個網(wǎng)絡控制程序被訓練完成一項任務時，神經(jīng)網(wǎng)絡學會了與環(huán)境互動并理解干預行為。本質(zhì)上，網(wǎng)絡可以識別其輸出是否被某種干預所改變，然后連接因果。

在訓練過程中，網(wǎng)絡向前運行以生成輸出，然后返回運行以糾正錯誤。研究人員觀察到，NPC將因果關系聯(lián)系在向前和向后的操作模式中，從而使網(wǎng)絡能夠?qū)Ｗ⒂谡嬲囊蚬Y(jié)構(gòu)。

研究人員發(fā)現(xiàn)，在天氣好的情況下，NPC在較簡單任務上的表現(xiàn)與其他神經(jīng)網(wǎng)絡一樣好，但在更具挑戰(zhàn)性的任務上，如在暴雨中跟隨移動的物體時，NPC的表現(xiàn)要好于其他神經(jīng)網(wǎng)絡。未來，研究人員希望探索采用NCP來構(gòu)建更大的系統(tǒng)。將成千上萬的神經(jīng)網(wǎng)絡連接在一起，從而讓其處理更復雜的任務。