酷应用

无监督学习？Yann LeCun说：或许应该叫它预测性学习

百家 作者：新智元 2020-07-31 19:33:59


??新智元报道??

来源：danrose

编辑：白峰

【新智元导读】随着机器学习的不断发展，无监督学习在近年来备受关注。Yann LeCun提出赋予无监督学习新的名字——预测性学习。

随着机器学习的不断发展，无监督学习在近年来备受关注。
?
近日，有人提出赋予无监督学习新的名字——预测性学习。推崇这次改名的正是前些日子在推特「大火」的Facebook的首席AI科学家，Yann LeCun。
? ? ? ?? ? ? ?
Yann LeCun将「预测性学习」称为「下一个AI前沿」。因为在过去的十年中，监督学习有着丰硕的成果。而接下来的十年，无监督学习，即预测性学习可能会变得越来越流行。
?

监督学习、无监督学习和强化学习：机器学习的三驾马车
?

认识无监督学习的新名字之前，我们来看一看机器学习多样的组成元素。
?
最广泛用于应用和业务用途的机器学习类别是监督学习。监督学习需要标记非常非常多的数据，也因此在给定情况下教给模型较为正确的答案。
?
无监督学习和监督学习恰恰相反，使用未标记的数据训练AI，通常仅用于对数据进行聚类和分组。无监督学习的质量自然不如监督学习。
?
因此，近些年半监督学习也时常被褒奖。半监督学习可以看做监督学习和无监督学习的折中状态。

? ? ? ?

机器学习中还有一个「重要的玩家」强化学习。强化学习主要用于实验和研究案例，到目前为止在商业中使用不多。有科学家指出AlphaGo是一个很好的例子，通常通过加强学习来完成游戏模型的教学，但Alphago确切架构没有公布，这仅仅是一种猜想。
?

昂贵且复杂的数据标记让监督学习变得困难
?

去年，监督学习取得了长足的发展。例如在GPU上进行训练，更多可用的标记训练数据。以及一些技术进步，比如说ReLU（神经网络中最具成本效益的解决方案）。?
?
但是获取标签数据仍然是一个问题。这是非常昂贵的，并且始终会有偏差的数据。偏差的数据会使模型产生偏差，因此开发者始终需要了解模型行为异常的极端情况。
?
科学家们解决这个问题的方法是：如果可以避免使用带标签的数据，而改为使用无标签的数据，则可以以更低的成本和更少的偏差机会去处理更多的数据。?
?? ? ? ?? ? ? ?
如果将人类智慧与人工智能进行比较，人们意识到很多人类智慧是不受监督的。在我们了解的事物中，很少有学习示例可以教的。
?
因此，即使监督学习给我们带来了巨大的成就，它也有其局限性。无监督学习日益受到重视。?


无监督学习（预测性学习）正在登上历史舞台

正如Yann LeCun所说，无监督学习是「填补空白」。填补空白不仅仅是将相似的事物归类，填补空白就像是想象。?在训练预测学习模型时，目的是了解当前的世界。?

?
一个很好的例子是图像完成问题。图像不完整时，模型想「填补空白」。预测性学习可以做到这一点。?
?? ? ??? ? ??
该模型可以预测上下文中可能缺少的内容。
?
另一个非常好的例子是来自OpenAI的GPT-3。GPT-3是一种语言模型，未经大量数据训练就可以接受训练，并且在此基础上再加上一点点监督学习，就可以拥有一个非常有效的模型。
?
但是，这里预测性学习是模型是基于神经网络的深度学习模型。较早的无监督模型不基于神经网络。


「预测性学习」可能会改变我们的未来
?

过去，当需要一个解决方案时，我们通常会用监督学习去训练模型。但是监督学习是昂贵的。无监督学习可以为我们提供一种有效的，非常有价值的方式去训练模型，并得到预测性的结果。
?
拍摄广告时，这可以被用于将多余的游客从我们的度假图片或背景物体中删除。它会填补很多地方的空白。另一方面，预测性学习还能用于检测出何时出现异常情况。
?? ? ? ?? ? ? ?
GPT-3的流行就展示了无监督学习，或者说预测性学习对于科技社会产生的巨大影响。我们有理由相信，正如Yann LeCun所说，「预测性学习」将成为「下一个AI前沿」。






关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/

*文章为作者独立观点，不代表 爱尖刀 立场
本文由 新智元发表，转载此文章须经作者同意，并请附上出处( 爱尖刀 )及本页链接。
原文链接 https://www.ijiandao.com/2b/baijia/374890.html
LeCun
图库
新智元 新智元
公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接
百度热搜榜
排名 热点 搜索指数
iTrust
AiDeep Ued
关于我们 联系我们 升级日志 法律声明 广告服务 侵删通道
Copyright © 2021 K2CMS All rights reserved.
京ICP备14006288号