广告
广告
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:859

【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 循环内重复应用的几何变换。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
  • 欧洲的机器人发展大门才刚打开 未来发展还任重道远

    欧洲的机器人发展大门才刚打开 未来发展还任重道远

    “目前机器人研发最大的挑战在于,如何创造机器人的附加值以满足社会需求。大家都在讨论通过安全、道德和其它法律的手段,确保机器人在未来加上人工智能之后不会出现危害伦理安全和超越法律界限的行为。”伯纳德·利珀特说道。

  • 再增医疗器械业务,华为眼馋医疗器械这块“肥肉”?

    再增医疗器械业务,华为眼馋医疗器械这块“肥肉”?

    深思考是一家专注于类脑人工智能与深度学习核心科技的AI公司。

  • 人工智能的BUG谁来负责?

    人工智能的BUG谁来负责?

    说到人工智能很多小伙伴都会想到机器人。其实在很多领域都会有人工智能的存在。机器人是一个多项人工智能的综合体。人工智能那个也是需要一些硬件的装置和软件程序的驱动执行。那个是程序就会有BUG的存在。很多意想不到的BUG也会随之诞生。

  • 王兴:人工智能潜力很大 可以创造很多就业

    王兴:人工智能潜力很大 可以创造很多就业

    最后,王兴表强调,AI的变化速度肯定会越来越快,但是我们谈AI不只是谈论人工智能,还谈论很多其他的相应的流程管理变化,所以,应该一步步实现这个目标,总的来说肯定比人们想象的快一些。

  • 不甘人后!武汉大学成立人工智能研究院

    不甘人后!武汉大学成立人工智能研究院

    清华大学吴建平院士对武汉大学人工智能研究院的成立表示热烈祝贺。他表示,武汉大学是全国一流的综合性高校,学科门类齐全,学科基础扎实,这对于人工智能交叉学科来说具有得天独厚的学科综合优势。

  • 科大讯飞好不好?深耕技术创新为人工智能行业发展树丰碑

    科大讯飞好不好?深耕技术创新为人工智能行业发展树丰碑

    1999年,还在中国科学技术大学就读的刘庆峰,怀揣“中文语音技术必须由中国人做到全球最好,中文语音产业必掌握在自己手上”的技术报国信念,毅然决然地创立了科大讯飞。一度没有人相信,在将来,这个18个大学生创立的“草台班子”能够与国际巨头抗衡。

  • 《山东省人工智能产业发展报告》发布

    《山东省人工智能产业发展报告》发布

    据介绍,山东目前以人工智能软硬件、核心算法服务为主营业务的人工智能企业已有12家,传统产业+人工智能转换升级的企业约有270余家。

  • 借助先进的人工智能技术,识人、识车、识商品

    借助先进的人工智能技术,识人、识车、识商品

    人脸识别是视觉识别相对成熟的应用场景,其基本原理是,通过视频采集设备获取用户的面部图像,再利用核心的算法对其脸部的五官位置、脸型和角度等信息进行计算分析,进而和自身数据库里的范本比对,从而判断出用户的身份。

  • 人工智能算法可以学习量子力学定律

    人工智能算法可以学习量子力学定律

    人工智能和机器学习算法通常被用来预测我们的购买行为和识别我们的脸或笔迹。在科学研究中,人工智能正在成为科学发现的重要工具。

  • 灵魂一问:机器人老师会不会把学生教成“机器人”?

    灵魂一问:机器人老师会不会把学生教成“机器人”?

    进入资讯平台,你“感兴趣”的文章会率先、大量地推荐出来,供你阅览;打开购物APP,你点击过的商品种类会被推送出来,供你选择……如今,这类机器算法已经得到了广泛应用,堪称是“比你还了解自己”,让人时而满意时而无奈。

  • 初创公司Droople开发出智能流量计 可节约用水

    初创公司Droople开发出智能流量计 可节约用水

    Droople的创始人兼首席执行官Ramzi Bouzerda说:“我们的程序通过一系列算法来运行数据,以提取有用的信息。”他于2018年4月在洛桑联邦理工学院(EPFL)创新园创立了该公司。

  • 虹软科技参展二十一届高交会,人工智能推进智慧生活

    虹软科技参展二十一届高交会,人工智能推进智慧生活

    虹软科技的视觉开放平台在占据本届展会最显眼的1号馆,向参展人员展示全球领先的视觉人工智能技术开发者、解决方案供应商虹软如何通过原创的优质算法助力行业实现产业升级,进而推动科技让我们的生活变得更便捷、更高效。

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
  • 广告
  • 广告
  • 广告
广告
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