機器學(xué)習(xí)的基本原理是模型訓(xùn)練。對于人類來說，可以從單一的樣例中學(xué)習(xí)到非常深刻的知識，例如變質(zhì)的牛奶味道很差、火是熱的等，但機器卻需要更多的樣例，因為它們是基于統(tǒng)計學(xué)的原理進(jìn)行學(xué)習(xí)。機器學(xué)習(xí)的過程主要依賴于數(shù)據(jù)。
不過，今天這種現(xiàn)象或許開始要改變了。本周，一篇人工智能 論文 登上了《科學(xué)》雜志的封面，為人類帶來了人工智能領(lǐng)域的一個重大突破，來自紐約大學(xué)的Brenden Lake、多倫多大學(xué)的Ruslan Salakhutdinov和麻省理工學(xué)院的JoshuaB.Tenenbaum共同開發(fā)了一個計算機系統(tǒng)：“只看一眼就會寫字”。
Salakhutdinov表示，人們一直試圖構(gòu)建一個機器系統(tǒng)，讓其能夠像人類一樣，只需要很少的數(shù)據(jù)就能執(zhí)行新的任務(wù)。“復(fù)制這些能力是一個非常令人期待的研究領(lǐng)域，其涉及到機器學(xué)習(xí)、統(tǒng)計學(xué)、計算機視覺和認(rèn)知科學(xué)等學(xué)科”。大約十年前，Salakhutdinov與他的導(dǎo)師Geoffrey Hinton一起發(fā)表了一篇文章，題目為“深度神經(jīng)網(wǎng)絡(luò)”。這個算法能夠從6000個樣本的數(shù)據(jù)中，學(xué)習(xí)到從0-9的10個書寫體字符概念的結(jié)構(gòu)。而在Lake等人最新的成果中，引入了一個貝葉斯程序?qū)W習(xí)(Bayesian program learning, BPL)框架，它是一個能夠模仿人類思維方式的機器學(xué)習(xí)模型，即能夠從單一樣例中進(jìn)行學(xué)習(xí)。這是一個“學(xué)會學(xué)習(xí)”(learns to learn)的模型。
這篇論文的第一作者Brenden Lake曾在Tenenbaum的團(tuán)隊中獲得認(rèn)知科學(xué)博士學(xué)位，如今他是紐約大學(xué)的博士后。根據(jù)Lake的介紹，這個模型能通過視覺圖靈測試。
論文指出，“只需要通過簡單的概念，人類就可以比機器學(xué)習(xí)到更豐富的表示，也可以將其用于更廣泛的功能，例如創(chuàng)造新的樣例，以及基于現(xiàn)有的類別創(chuàng)造出新的抽象類別。最好的機器分類器都不能執(zhí)行這些功能”。
作者繼續(xù)表示，“目前的主要挑戰(zhàn)是解釋人類層次的概念學(xué)習(xí)的兩個方面”。“人類是如何從一個或幾個樣例中學(xué)習(xí)到新的概念的?人類又是如何學(xué)習(xí)這種抽象的、豐富的和靈活的表示的?”
機器學(xué)習(xí)模型是通過更多的數(shù)據(jù)而獲得提高的，但人類似乎能夠打破這個看似基本的原則。
根據(jù)論文所描述的，BPL能夠讓計算機對人類認(rèn)知進(jìn)行很好的模擬。傳統(tǒng)的機器學(xué)習(xí)方法需要大量的數(shù)據(jù)來進(jìn)行訓(xùn)練，而這種方法只需要一個粗略的模型，然后使用推理算法來分析案例，補充模型的細(xì)節(jié)。
研究者設(shè)計的學(xué)習(xí)方法到目前為止都只是針對具體的字符識別任務(wù)，例如世界字符表中的手寫字符。它的工作是按照算法指令生成一個給定字符的程序表示，算法指令是為了告訴用戶如何重新生成字符。結(jié)果是泛化的一種類別，按照相同的指令產(chǎn)生字母，不同的用戶可能會產(chǎn)生許多不同的變化，但它仍具有相同的基本標(biāo)志。
文章中解釋，該模型能夠自然捕獲真實世界過程的抽象的“因果”結(jié)構(gòu)，產(chǎn)生一種類別的各種樣例。該模型能夠使用先前產(chǎn)生的概念程序中的原語，不僅識別字母的新樣例，而且可以創(chuàng)造新的概念程序，例如新字母。
下面介紹模型的工作方式。給該算法一個以前從未見過的字符，讓它嘗試五次來解析字符，每一個都是一個新的方案(因此新的方案本身是算法生成的)。這些方案根據(jù)不同的概率每次創(chuàng)作不同的新的字符。正如你在視頻中看到的，結(jié)果與真實人類書寫的基本一致，因此，這項研究被打上了“人類層次概念學(xué)習(xí)”的標(biāo)簽。
那么，該模型怎樣才能適用于一般的機器學(xué)習(xí)呢?
紐約大學(xué)的數(shù)據(jù)科學(xué)家告訴Motherboard，“現(xiàn)在的算法只適用于手寫文字，但我們確定了對模型性能很重要的三個核心原則，可能幫助在其他領(lǐng)域取得進(jìn)展”。
第一個原則是“組合性”，如上所述，概念表示應(yīng)該由簡單的基元構(gòu)建而成。第二原則是“因果性”，模型表征了真實世界中的對象生成的抽象因果結(jié)構(gòu)。最后一個，是“學(xué)會學(xué)習(xí)”，過去的概念有助于學(xué)習(xí)新的概念。
Lake說到，“這些原則可能有助于解釋人類能夠快速學(xué)習(xí)和使用其他類型概念的原因”。“我們尤其對一些學(xué)習(xí)新的口頭語和學(xué)習(xí)新手勢的應(yīng)用感興趣，當(dāng)你聽到一個人說過“潘基文”的名字，你基本上就懂了，并且能夠識別其他人說起這個名字，同時自己也可以近似說出這個名字。同樣的情況可以適用于手勢。
多倫多大學(xué)和谷歌的人工智能先驅(qū)Geoffrey Hinton說這個研究“令人印象非常深刻”。他說，這個模型能通過視覺圖靈測試，這很重要，是一個不錯的成就。Hinton是深度學(xué)習(xí)的奠基者。他近年來在深度學(xué)習(xí)方面取得了舉世矚目的成就，其研究成果被廣泛應(yīng)用在許多領(lǐng)域，例如語音翻譯、圖像識別以及谷歌的圖像搜索和Facebook的人臉識別。
a&s傳媒是全球知名展覽公司法蘭克福展覽集團(tuán)旗下的專業(yè)媒體平臺，自1994年品牌成立以來，一直專注于安全&自動化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場趨勢的專業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會資源以及豐富的媒體經(jīng)驗，提供媒體、活動、展會等整合營銷服務(wù)。
粵公網(wǎng)安備 44030402000264號
