您的位置 资讯中心 > 产业新闻 > 正文

机器学习之深度学习的未来

2019-11-08 17:05:55 来源:CDA数据分析师 点击:720

【大比特导读】可以想象到一个未来,其中将使用不会利用梯度的有效搜索过程来训练(增长)全局不可微(但具有可区分部分)的模型,而可利用优势来更快地训练可区分部分。使用一些更有效的反向传播版本的梯度。

鉴于我们对深网的工作原理,局限性以及研究现状的了解,我们能否预测中期的发展方向?这是一些纯粹的个人想法。请注意,我没有水晶球,所以我预期的很多事情都可能无法实现。这是一个完全投机的职位。我之所以分享这些预测,并不是因为我希望它们将来能被证明是完全正确的,而是因为它们在当前很有趣并且可以付诸实践。

机器学习

从高层次来看,我看到希望的主要方向是:

通用计算机程序更接近的模型,是建立在比我们当前的可区分层更丰富的基元之上的,这就是我们将如何推理和抽象的方法,这是当前模型的基本弱点。使上述一切成为可能的新型学习形式-允许模型脱离可区分的变换。不需要人工参与的模型-不断调整旋钮不是您的工作。更好地,系统地重用以前学习的功能和体系结构;基于可重用和模块化程序子例程的元学习系统。此外,请注意,这些注意事项并非到目前为止一直是深度学习的基础的那种监督学习,而是适用于任何形式的机器学习,包括无监督,自我监督和强化学习。标记的来源或训练循环的样子从根本上来说并不重要;机器学习的这些不同分支只是同一构造的不同方面。

模型作为序列模型

正如我们在前一篇文章中指出的那样,我们可以期望在机器学习领域进行必要的转型发展,是从执行纯模式识别并且只能实现局部概括的模型转向具有抽象和 推理能力的模型,实现极端概括。当前具有基本推理形式的AI程序都由人类程序员进行硬编码:例如,依赖于搜索算法,图操作,形式逻辑的软件。例如,在DeepMind的AlphaGo中,大多数“智能”都是由专业程序员设计和硬编码的(例如,蒙特卡洛树搜索);从数据中学习仅发生在专门的子模块(价值网络和政策网络)中。但是在将来,这样的AI系统可能会完全被了解,而无需人工参与。

实现这一目标的途径可能是什么?考虑一种著名的网络:RNN。重要的是,与前馈网络相比,RNN的限制略少。这是因为RNN不仅仅是几何变换:它们是在for 循环内重复澳门永利网上娱乐的几何变换。暂时的for循环本身是由开发人员进行硬编码的:它是网络的内置假设。自然地,RNN的表示能力仍然受到极大限制,主要是因为它们执行的每个步骤仍然只是可微的几何变换,并且它们从一步到一步传递信息的方式是通过连续几何空间中的点(状态向量)进行的。

现在,想象一下以类似的方式通过编程原语(例如for循环)来“增强”神经网络,但不仅仅是for具有硬编码几何内存的单个硬编码循环,而是模型所包含的大量编程原语可以随意操作以扩展其处理功能,例如if分支,while语句,变量创建,用于长期内存的磁盘存储,排序运算符,高级数据结构(如列表,图形和哈希表)等等。这样的网络可以代表的程序空间将比当前深度学习模型所代表的程序要广阔得多,并且其中一些程序可以实现更高的泛化能力。

一言以蔽之,我们将摆脱一方面拥有“硬编码算法智能”(手工软件),另一方面不再具有“学习几何智能”(深度学习)的能力。我们将混合使用提供推理和抽象功能的形式化算法模块和提供非正式直觉和模式识别功能的几何模块。整个系统将在几乎没有人参与的情况下学习。

我认为AI的一个相关子领域可能会大有作为,它是程序综合领域,尤其是神经程序综合领域。程序合成包括通过使用搜索算法(可能是遗传搜索,如遗传编程)自动生成简单程序,以探索大量可能的程序。当找到符合所需规范的程序时,搜索将停止,该程序通常以一组输入输出对的形式提供。正如您所看到的,它是否使人联想到机器学习:给定输入和输出对提供的“训练数据”,我们找到了一个将输入与输出匹配并可以归纳为新输入的“程序”。不同之处在于,我们生成的不是在硬编码程序(神经网络)中学习参数值通过离散搜索过程获取源代码。

我绝对希望这个子领域在未来几年内会引起新的兴趣。特别是,我希望在深度学习和程序合成之间出现一个交叉子域,在该领域中,我们不会以通用语言生成程序,而会在其中生成神经网络(几何数据处理)。流)增加了一组丰富的算法的图元,如for循环等等。与直接生成源代码相比,这应该更容易处理和有用,并且它将大大扩展机器学习可以解决的问题的范围-在给定适当的训练数据的情况下,我们可以自动生成的程序空间。象征性AI和几何AI的融合。当代的RNN可以看作是这种混合算法-几何模型的史前祖先。

声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益,请与我们联系,我们将及时更正、删除,谢谢。

分享到:
阅读延展
人工智能 算法 机器学习
  • 专家预言不会出现“机器医生”:AI在医学领域只是配角

    专家预言不会出现“机器医生”:AI在医学领域只是配角

    目前,医学团队正在利用AI寻找隐藏在海量数据中的智慧结晶。与此同时,专家团队正在努力创造一种新的混合角色:“医生数据科学家”,他们了解机器学习、AI以及如何将这些技术澳门永利网上娱乐于医学研究和临床实践。研究的目标是改善患者预后和降低成本。

  • 机器学习和数据科学如何让彭博获得竞争优势

    机器学习和数据科学如何让彭博获得竞争优势

    爱德华兹说,数据科学人才的争夺战依然艰难,但他和他的公司决心赢得这场战斗。继续发展新的策略,包括在数据科学的好处方面培训内部人才。

  • 人工智能和机器学习将定义银行服务的未来

    人工智能和机器学习将定义银行服务的未来

    该报告展望了未来十年全球银行业的数字化趋势,重点对科技及数据赋能、风险管理优势和消费者行为演化这三大领域进行分析与研究。报告认为,银行掌握新的数据来源和分析技术之后,将更深入地了解客户需求并提供相应服务,并由此解锁新的营收来源。

  • 多重量子关联借力机器学习首度实现同时分类

    多重量子关联借力机器学习首度实现同时分类

    然而,刻画任意给定的一个量子态中的非经典关联仍然存在巨大挑战。于是,科学家们开始尝试将机器学习的方法引入多重量子关联研究。

  • 人工智能为数据分析做好准备:充分利用机器学习

    人工智能为数据分析做好准备:充分利用机器学习

    成功部署AI要求团队具有跨多个领域的才能:对数据的理解,对机器学习算法的知识以及方法,以及高性能或集群计算方面的专业知识。但是潜在的回报使挑战值得克服,并且可以扩展到分析实验结果以外的其他领域。

  • 人工智能和机器学习的下一代澳门永利网上娱乐

    人工智能和机器学习的下一代澳门永利网上娱乐

    人工智能是一门计算机科学,专注于机器模仿人类智能行为的能力。AI使计算机能够处理大量信息和数据并提供计算机生成的结论。ML使计算机能够学习,并且还学习如何学习。这些进步正在彻底改变现代生活和商业。

微信

第一时间获取电子制造行业新鲜资讯和深度商业分析,请在微信公众账号中搜索“大比特商务网”或者“big-bit”,或用手机扫描左方二维码,即可获得大比特每日精华内容推送和最优搜索体验,并参与活动!

发表评论

  • 最新评论
Copyright Big-Bit © 1999-2019 All Right Reserved 大比特资讯公司 版权所有       未经本网站书面特别授权,请勿转载或建立影像,违者依法追究相关法律责任  

澳门永利网上娱乐