Nachrichten

Tübinger Hirnforschung: Warum Zufall künstliche Bilderkennung robuster macht

Forschende des Hertie-Instituts zeigen, dass Rückkopplung allein Bilderkennung kaum stabiler macht. Erst mit gezieltem Zufall im Training wirkt sie.

Ein stilisiertes Auge aus Netzlinien, aus dem Pfeile zurücklaufen, umgeben von zufällig verstreuten Punkten

Wer schon einmal erlebt hat, wie eine Bilderkennung bei etwas Rauschen oder einem ungewohnten Foto komplett danebenliegt, wird diese Studie aus Tübingen spannend finden. Forschende des Hertie-Instituts für klinische Hirnforschung (HIH) haben untersucht, was künstliche Sehsysteme vom Gehirn lernen können, und sind dabei auf ein überraschendes Ergebnis gestoßen.

Die Ausgangsidee

Im Gehirn läuft Sehen nicht nur in eine Richtung. Höhere Areale schicken Signale zurück an frühere Verarbeitungsstufen, die sogenannte Top-down-Rückkopplung. Viele künstliche Netze verzichten darauf. Das Team um Erstautor Dr. Antonino Greco und Studienleiter Prof. Markus Siegel wollte wissen, ob genau diese Rückkopplung Bilderkennung zuverlässiger macht.

Was herauskam

  • Rückkopplung allein brachte kaum etwas.
  • Erst zusammen mit einem Training, bei dem einzelne Einheiten des Netzes zufällig kurz abgeschaltet werden, wurden die Modelle deutlich widerstandsfähiger. Das ahmt die natürlichen Schwankungen der Nervenzellaktivität vereinfacht nach.
  • Die so trainierten Netze kamen besser mit Bildrauschen, gezielten Störungen und Bildern zurecht, die von den Trainingsdaten abwichen.

Die Erklärung der Forschenden: Der Zufall verhindert, dass sich einzelne Einheiten zu sehr aufeinander verlassen, und die Rückkopplung ordnet die Aktivität des Netzes dann in stabilere Muster. Beide Mechanismen ergänzen sich also. Erschienen ist die Arbeit in der Fachzeitschrift Patterns von Cell Press, entstanden ist sie im Tübinger Sonderforschungsbereich 1233 zu robustem Sehen.

Warum ich das bemerkenswert finde

Gerade in Zeiten, in denen KI-Fortschritt fast nur über immer größere Modelle erzählt wird, gefällt mir dieser Ansatz: Statt mehr Rechenleistung schaut man sich an, wie unser eigenes Sehen mit schlechten Bedingungen umgeht. Für Anwendungen wie Kameras im Straßenverkehr oder in der Medizin, wo Bilder selten perfekt sind, ist Robustheit wichtiger als jeder Rekord in einem Benchmark.

Die Pressemitteilung gibt es beim Informationsdienst Wissenschaft.

Quelle: idw-online.de

  • KI
  • Bilderkennung
  • Hirnforschung
  • Tübingen
  • Hertie-Institut
  • Neuronale Netze