Vergleich von Lernprozessen bei Menschen und DNNs

Kürzliche Studien haben untersucht, wie Menschen Bilder erkennen lernen im Vergleich zu Deep Neural Networks (DNNs), also Computersystemen, die aus Daten lernen. Die meisten Forschungen haben sich auf die Endergebnisse konzentriert, nachdem sowohl Menschen als auch DNNs ihre Lernprozesse abgeschlossen haben. Dieser Artikel wird jedoch darauf eingehen, wie jede Gruppe über die Zeit lernt, mit besonderem Augenmerk auf die Phasen, die sie durchlaufen.

#Lernumgebung

Um einen fairen Vergleich zwischen Menschen und DNNs zu ziehen, ist es wichtig, eine gleiche Lernumgebung zu schaffen. Beide Gruppen bekamen die gleiche Aufgabe: neue 3D-Objekte zu identifizieren, die sie noch nie zuvor gesehen hatten. Dazu haben wir mehrere Faktoren abgestimmt, die das Lernen beeinflussen:

1. Lernziel: Sowohl Menschen als auch DNNs mussten neue 3D-Objekte kategorisieren, die sie noch nie gesehen hatten.

2. Ausgangspunkt: Menschen haben oft einen reichen Erfahrungshorizont und Wissen, auf das sie zurückgreifen können. Um dies auszugleichen, wurden die DNNs vorab auf einem grossen Datensatz von Bildern trainiert, was ihnen etwas Wissen vor dem Start der Aufgabe gab.

3. Eingabedaten: Menschen lernen aus einer Vielzahl von Informationsquellen, während DNNs normalerweise aus einer einzigen Art von Daten lernen. In dieser Studie haben wir sichergestellt, dass beide Gruppen nur denselben Satz von Standbildern betrachtet haben.

4. Lernmodalität: Viele Forschende glauben, dass Menschen am besten auf semi-supervisierte Weise lernen, was bedeutet, dass sie nicht immer beschriftete Daten benötigen. Einige Studien haben jedoch gezeigt, dass DNNs besser abschneiden, wenn sie mit beschrifteten Daten trainiert werden, deshalb haben wir für beide Gruppen einen überwachten Lernansatz genutzt.

#Experimentelle Einrichtung

Im Experiment sahen die Teilnehmer Bilder neu erstellter 3D-Objekte und versuchten, diese in Kategorien einzuordnen. Wir haben darauf geachtet, dass die Objekte für reale Situationen relevant sind, also dass sie nicht einfach willkürliche Formen waren, sondern gemeinsame Merkmale hatten, die es einfacher machten, sie zu kategorisieren.

Vor dem Hauptversuch durchliefen die Teilnehmer Übungsphasen, um sich mit der Aufgabe vertraut zu machen. Wir haben auch verschiedene DNN-Modelle getestet, um zu sehen, wie gut sie im Vergleich zu den menschlichen Teilnehmern lernten.

#Die Lernaufgabe

Die Lernaufgabe bestand aus sechs Runden (Epochen) des Trainings, in denen jede Runde darin bestand, eine Serie von Bildern zu zeigen und die Teilnehmer oder Modelle zu fragen, in welche Kategorie das Objekt gehört. Nach ihrer Wahl erhielten sie Feedback, ob sie richtig oder falsch lagen. In den Testphasen gab es kein Feedback, um sicherzustellen, dass das Lernen auf dem basierte, was während des Trainings gelernt wurde.

#Menschliche Teilnehmer

Eine Gruppe von 12 menschlichen Teilnehmern wurde in einer kontrollierten Umgebung untersucht. Sie mussten 3D-Objekte klassifizieren, mit denen sie noch nie zuvor in Kontakt gekommen waren. Am Ende des Trainings haben wir ihren Lernfortschritt sorgfältig untersucht, indem wir ihre Genauigkeit bei der Identifizierung der Objekte gemessen haben.

#Neuronale Netzwerkmodelle

Wir haben auch mehrere bekannte DNN-Modelle verwendet, um zu sehen, wie sie bei der gleichen Aufgabe abschnitten. Zu den verwendeten Modellen gehörten verschiedene convolutional neural networks (CNNs) und fortgeschrittenere Modelle, die jeweils zuvor auf einem grossen Datensatz von Bildern (ImageNet) trainiert wurden, bevor sie zur Aufgabe kamen. Diese Modelle wurden auch feinjustiert, um sicherzustellen, dass sie effizient aus den neuen Daten lernen konnten, die während der Trainingsphase bereitgestellt wurden.

#Lernfortschritt

Während des Trainings wurden sowohl Menschen als auch DNNs hinsichtlich ihres Lernfortschritts beobachtet. Die menschlichen Teilnehmer zeigten im Laufe der Zeit eine klare Verbesserung in der Genauigkeit, während auch die DNNs lernten, die Objekte effektiv zu klassifizieren. Sie zeigten beeindruckende Leistungen bei der Identifizierung der Trainingsbilder.

#Generalisierung des Wissens

Ein wichtiger Aspekt des Lernens ist die Fähigkeit, das Gelernte auf neue, unbekannte Daten anzuwenden, bekannt als Generalisierung. Sowohl Menschen als auch DNNs zeigten die Fähigkeit, ihr Wissen auf neue Bilder zu übertragen, mit denen sie zuvor nicht in Kontakt gekommen waren. Es gab jedoch Unterschiede darin, wie schnell und effektiv sie dies tun konnten.

#Zentrale Ergebnisse

1. Sofortiges vs. verzögertes Lernen: Es wurde festgestellt, dass Menschen ihr Lernen fast sofort verallgemeinern konnten, während DNNs in dieser Fähigkeit einen Rückstand zeigten. Das bedeutet, dass, obwohl DNNs in der Trainingsphase gut abschnitten, sie länger brauchten, um dieses Wissen auf neue Bilder anzuwenden.

2. Lernstrategien: Menschen schienen allgemeinere Repräsentationen der Objekte schneller zu erwerben als DNNs. Während DNNs einen zweiphasigen Lernprozess durchliefen, bei dem sie sich zuerst auf spezifische Merkmale der Trainingsdaten konzentrierten und dann ihr Verständnis verfeinerten, schienen Menschen diesen langen Prozess zu überspringen und die Gesamtbegriffe sofort zu erfassen.

3. Daten-Effizienz: Im Vergleich zur Genauigkeit beider Gruppen schnitten DNNs bei den Trainingsaufgaben besser ab. Menschen hatten jedoch den Vorteil, Wissen schnell auf neue Aufgaben anzuwenden, was eine andere Art von Effizienz im menschlichen Lernen unterstreicht.

#Fazit

Diese Studie hebt signifikante Unterschiede darin hervor, wie Menschen und DNNs lernen und Wissen über Objekte verallgemeinern. Während DNNs in der Trainingsgenauigkeit glänzen, zeigen Menschen eine bemerkenswerte Fähigkeit, erlernte Konzepte sofort auf neue Situationen anzuwenden. Dieser Einblick kann helfen, wie wir zukünftige KI-Systeme gestalten, indem wir uns nicht nur darauf konzentrieren, wie viele Daten benötigt werden, sondern auch darauf, wie schnell und effektiv Maschinen lernen können, ihr Wissen zu verallgemeinern.

#Zukünftige Richtungen

Weitere Forschungen könnten verschiedene Arten von DNNs und unterschiedliche Datensätze untersuchen, um zu sehen, ob die beobachteten Trends unter verschiedenen Bedingungen zutreffen. Ausserdem könnten die Unterschiede in den Lernstrategien zu neuen Techniken führen, um die Effizienz des DNN-Trainings und deren Anwendung in realen Aufgaben zu verbessern.

#Danksagungen

Wir danken allen Teilnehmern für ihren wertvollen Beitrag zu dieser Studie und erkennen die Bemühungen der Forschungsteams an, die an der Durchführung dieses Projekts beteiligt waren.