Новый алгоритм на основе «разреженного кодирования» обучается без потери старых знаний

Исследователи из США предложили новый алгоритм машинного обучения, который вдохновлён способностью насекомых быстро адаптироваться к новым запахам, сохраняя память о предыдущих. Технология, получившая название «разреженное кодирование» (sparse coding), позволяет моделям обучаться эффективно даже на устройствах с низкими вычислительными мощностями.

В основе подхода лежит принцип работы нейронных сетей насекомых, таких как плодовые мушки. Эти организмы способны быстро обучаться новым запахам, не теряя память о ранее изученных. Алгоритм использует аналогичный механизм, минимизируя количество активных нейронов для обработки данных, что снижает нагрузку на систему и предотвращает «катастрофическое забывание» — потерю ранее полученных знаний при обучении новым задачам.

По словам авторов исследования, опубликованного в журнале Nature Communications, новый метод может быть особенно полезен для устройств с ограниченными ресурсами, таких как IoT-сенсоры или мобильные платформы. Это открывает перспективы для применения технологии в системах реального времени, где важна как скорость обучения, так и сохранение накопленных данных.

Эксперты отмечают, что подход может найти применение не только в робототехнике и сенсорных сетях, но и в разработке более эффективных моделей машинного обучения для edge-устройств. В будущем исследователи планируют протестировать алгоритм на реальных задачах, таких как распознавание изображений или обработка звуковых сигналов.