【会议】机器学习与智慧养老

2017年12月10日,国家”111计划”老人福祉信息科技创新引智基地召开“机器学习与智慧养老” 研讨会。来自浙江大学人工智能研究所的吴飞教授针对人工智能和深度学习进行了详细讲解,主题是走向相互融合的智能计算。

人工智能这一术语及研究范畴是John McCarthy,Marvin Lee Minsky,Claude Shannon,Nathaniel Rochester四位学者在1955年提出的,指的是让机器能像人那样认知、思考和学习,即用计算机模拟人的智能。

经过了60多年的历史,人工智能衍生出了三种主流的方法,可以简单概括为用规则教、用数据学和从经验中学。

其中用规则教这一方法最为典型的就是符号主义人工智能(Symbolic AI),它是一种由符号逻辑表示下的推理。

用数据学这一方法最为典型的就是数据驱动的人工智能(data-driven AI),它可以分为很多子方法,比如一种是用大数据进行的有监督学习,目的是挖掘数据所蕴含的的内在模式。一种是用小数据辅以组合性、因果性等先验知识进行的的无监督或半监督学习,目的是解析数据所蕴含的内在模式。深度学习就是很典型的用数据学的方法。

而从经验中学是一种由问题引导的控制论方法,是一种从经验中进行自我提升的的方法。

三种智能学习的模式各有各的优势和不足。用规则教的学习模式的优势是与人类逻辑推理相似,解释性强,不足是难以构建完备的知识规则库。用数据学的学习模式的优势是可以直接从数据中学比较简单,不足是依赖于数据、解释性不强。用问题引导的学习模式的优势是可以从经验中进行能力的持续学习,不足是非穷举式搜索需更好的策略。

由于三种学习模式都有各自的优缺点,所以三种学习方法的交叉值得关注。

吴老师以通过深度神经网络进行图像识别为例给我们介绍了神经网络的表示逼近理论,既神经网络的表示能力(expressive power)来自于其在输入数据基础上对输出结果的逼近能力(approximation),随后为我们介绍了一些Seq2Seq学习结构的实现成果,包括机器翻译,图像问答,图像说明,视频动作分类,聚类等。

结合之前的铺垫,吴老师开始为我们讲解一种新的人工智能学习模式——记忆驱动的融合模式。

传统的方法是端到端学习,利用卷积、池化和微调技术,强调特征学习,而这种新的方法将以往学习的过程也加以利用以得到更好的学习效果。

最新研究表明,在数据驱动模型中引入先验知识和规则可较好建模人类认知,所以我们在深度学习模型中引入了外在记忆体,组成一种新的记忆驱动的融合模式。

这种模型的工作原理是,在工作记忆区域中,当前输入(通过各种感官感知)信息(即当前数据)以及长期记忆中信息(知识和过往经验等)一起发生作用。同时记忆支持下的交互是提升能力的重要途径,所以我们通过交互手段来修正长期记忆中的知识/经验、改进工作记忆中的信息处理机制。

而这一方法的难点在于如何设计工作记忆与长期记忆的互动以支持直觉、灵感与顿悟,这是我们所要提高的地方。

今天会议中的这些思考和方法最终的目的是实现可解释、更鲁棒和更通用的人工智能(数据利用、知识引导与能力学习)。

为此吴老师提出了他的提高思路:

1、从浅层计算到深度神经推理

  • 从单纯依赖于数据驱动的模型到数据驱动与知识引导相互结合
  • 从领域任务驱动智能到更为通用条件下的强人工智能(从经验中学习)

比如从浅层模型 Language model转变为深度模型Neural language model,从Bayesian Learning转变为Bayesian deep learning,从Turing Machin转变为Neural Turing Machine等。

值得注意的是我们不只是单纯追求从浅层模型到深层模型的转变,更为重要的是,在这个转变过程中,巧妙融合数据、知识和交互经验,多模型的综合融合。

anyShare分享到:
This entry was posted in 新闻动态. Bookmark the permalink.

发表评论