Yapay zeka alanında köklü bir değişimi işaret eden yeni bir araştırma, geleneksel sinir ağı eğitim yöntemlerine alternatif sunan VoodooNet mimarisini tanıttı. Bu yenilikçi sistem, yaygın olarak kullanılan stokastik gradyan iniş yönteminin yerine tek adımda analitik çözüme ulaşabilen bir yaklaşım benimsiyor.
VoodooNet'in temelinde 'Galaktik Genişleme' adı verilen bir teknik bulunuyor. Bu yöntem, girdi verilerini çok yüksek boyutlu bir uzaya yansıtarak karmaşık veri özelliklerinin daha kolay ayırt edilmesini sağlıyor. Araştırmacılar, bu yüksek boyutlu 'Galaktik' uzayda Moore-Penrose sözde tersini kullanarak çıktı katmanını tek adımda hesaplıyor.
Deneysel sonuçlar oldukça etkileyici: MNIST el yazısı rakam tanıma veri setinde %98.10, Fashion-MNIST giyim eşyası tanıma setinde ise %86.63 doğruluk oranına ulaşıldı. Özellikle Fashion-MNIST'teki performans, 10 döngü boyunca eğitilen geleneksel yöntemi (%84.41) geride bırakırken eğitim süresini dramatik şekilde azalttı.
Araştırmacılar, boyut sayısı ile doğruluk arasında logaritmik bir ölçekleme yasası gözlemlediklerini bildirdi. Bu bulgu, performansın tekrarlı iyileştirmelerden ziyade 'Galaktik' uzayın hacmiyle ilişkili olduğunu gösteriyor. Bu 'Sihirli Şapka' yaklaşımı, yapay zeka eğitiminde yeni ufuklar açabilecek nitelikte.