Похоже, что две модели играют в игру со временем: одна знает ответ, другая догадается.
Ученые из Калифорнийского университета в Санта -Крус представили новый подход к прогнозированию временных линий, который позволяет нейронным сетям значительно более точно предсказать будущие события, используя данные из «ближайшего будущего». Их метод, называемый обучением в будущем (ориентированное на будущее), особенно эффективен в анализе электроэнцефалограмм для прогнозирования эпилептических приступов. Согласно исследованию, точность прогнозов улучшилась до 44,8% по сравнению с основными алгоритмами.
Разработка основана на взаимодействии двух моделей нейронных сетей, работающих в разных временных горизонтах. Первый, условно «учитель», анализирует данные ближе к событию события, а второй — «Студент», пытается заранее предсказать событие. Учитель представляет результаты своих собственных прогнозов ученику, что позволяет последним учиться на этих данных и правильных прогнозов.
На практике это кажется следующим: модель учителя получает данные от ЭЭГ и определяет, есть ли атака прямо сейчас. Студент, который является «30 минут в прошлом», учится предсказать, будет ли атака через полчаса. Когда учитель обнаруживает высокий риск текущей атаки, эта информация немедленно используется учеником для исправления своего собственного прогноза. Эта обратная связь дает системе возможность адаптироваться к отдельному пациенту.
Основное преимущество подхода заключается в том, что обучение непрерывно и персонализировано. Вместо постоянного участия врача алгоритмы способны независимо повысить точность прогнозов на основе уникальных моделей мозговой активности конкретного человека. В будущем такие модели могут быть интегрированы с ношением электроники, такой как умные часы, которые одновременно регистрируют текущие показания и предсказывают риск атак.
Результаты проверки двух наборов данных показывают различные уровни улучшения. В базе данных Бостонской детской больницы и Массачусетского института (MIT) точность прогноза улучшилась на 44,8%, поскольку система была обучена отдельным данным пациентов. При использовании базы данных Американского общества эпилепсии, где образец обучения суммирована и не связана с конкретным человеком, увеличение составляет 8,9%, что ближе к реальной клинической практике.
Чтобы проверить универсальность метода, исследователи применили его к математической задаче прогнозирования динамических систем-голосового уравнения Маки. Улучшение здесь составляет 23,4% по сравнению с традиционными методами, что подтверждает гибкость алгоритма и его пригодность для широкого спектра областей, где важна работа с временными рядами.
Авторы подчеркивают, что Идея вдохновлена структурой человеческого мозга. Нейрофизиология рассматривает мозг как систему, которая постоянно предсказывает будущее и корректирует ожидания, когда сталкивается с «сюрпризами». По сути, именно ошибки в восприятии становятся источником обучения, которые помогают исправить поведение и быстрее. Исследователи считают, что результаты могут помочь не только в медицине, но и в понимании того, как мозг работает в разных временных масштабах — от миллисекундов до месяцев.
Универсальность обучения, направленного на будущее, делает его подходящим для многих приложений — от здравоохранения до отрасли и экономики, где точные прогнозы и способность системы адаптироваться к новым данным имеют решающее значение.
