雷锋网 AI 科技评论按:深度学习的研究者们一直希望给神经网络加上显式的泛化能力,以便让它完成更困难的任务。DeepMind 近期也在这个方向上展开了研究并在 JAIR(Journal of Artificial Intelligence Research)杂志发表了论文,也在博客中以一个踢足球为引子介绍了论文的主要内容。雷锋网 AI 科技评论把博客内容编译如下。假想你在踢足球。球到了你脚下,然后你打算把球传给没人盯防的前锋。这个看起来简单的动作,其实需要两种不同的思维。首先,你需要认识到自己脚下有一个足球。这个认知动作需要直觉式的认识思维:你很难详细描述你是如何知道脚下有一个足球的,你只是看到了这个球而已。然后,你打算把球传给某一个前锋,做出这样的决策需要概念思维。这个决策是基于你自己的判断做出的:之所以你打算把球传给这个前锋,是因为没人盯防他。这两种思维之间的区别让 DeepMind 的研究人员们感到非常有趣,因为这两种不同的思维刚好对应了两种不同的机器学习方法,那就是深度学习和符号程序生成(symbolic program synthesis)。深度学习的核心是直觉式的认知思维,而符号程序生成关注的是概念式的、基于规则的思维。两种系统各有所长,深度学习对有噪声数据的鲁棒性不错,但是难以解释,并且需要很多数据来训练;而符号化的系统解释起来就要简单得多,需要的训练数据也少得多,但是处理有噪声的数据就非常困难。人类的认知过程当然可以无缝衔接这两种不同的思考方式,但是在单个 AI 系统中同样实现这两种思维就不是一件简单的任务了。 DeepMind 的论文《Learning Explanatory Rules from Noisy Data》就研究了这个问题,表明在一个系统中综合直觉感知思考和可解释概念推理是可能的。这篇论文也发表在了 JAIR 杂志上。论文中介绍的系统,「?ILP」,对噪声鲁棒、能高效地利用数据,而且能够产生可解释的规则。在论文中,DeepMind 演示了 ?ILP 在归纳任务中的表现。展示给系统的是成对的数字的图像,系统要做的是输出一个标签(0 或者 1)来表示左侧图中的数字是否小于右侧图中的数字。解决这样的任务就同时需要前面提到的两种思维:识别图像中的具体是哪个数字需要直觉性的认知思维,而足够泛化地理解「小于」关系则需要概念思维。对于一个标准的深度学习模型来说(比如带有 MLP 的卷积神经网络),如果给它足够的数据,它也能很快学会解决这个问题。一旦训练结束,给它看从未见过的对象对,它也能正确分类。可是如果想要它能正确地泛化,还是需要每一对数字都有很多个样本用来训练才行。这样的模型很善于做视觉任务的泛化:只要它看过所有测试集里有的每对数字(如下图绿色区域),它就能泛化到新的图像上。但是它做不了符号化思维的泛化:如果有一对数字是它没有见过的(如下图蓝色区域),它就没办法泛化奇迹Mu开服一条龙服务。Gary Marcus 和 Joel Grus 等研究者最近也在文章中指出了这一点,令人深思魔兽开服一条龙服务。 ?ILP 和标准神经网络的不同之处就是在于它能以符号化的方式泛化,而且它也和标准的符号化程序不一样,它可以泛化它的视觉能力。它从样本中学习到的显式程序是可阅读的、可解释的、可验证的。对 ?ILP 来说,给它样本集中的一部分(和需要的结果),它就能产生一个可以满足它们的程序。它会用梯度下降搜索整个程序空间。如果程序的输出和参考数据中得到的理想输出不一致魔兽开服一条龙服务,系统就会引导程序更新,让输出更符合数据刀塔传奇16章精英副本烈焰之桥三…。。论文中介绍的系统 ?ILP 可以符号化地泛化。当它看过「xy」、「yz」、「xz」的样本之后,它就会考虑「」这个关系有可能是传递性的。当它确认了这个通用规则之后,它就可以把它用在一对以前从来没有见过的数字上。 DeepMind 的研究人员们认为,他们的这项成果某种程度上回答了「在深度神经网络中实现符号化泛化有没有可能」这个问题。在未来的研究中,他们还打算把类似 ?ILP 这样的系统集成到强化学习智能体和更大的深度学习模型中。他们希望赋予智能体新的能力,不仅要能够推理,还要懂得做出即时反应。 via DeepMind Blog,雷锋网(公众号:雷锋网) AI 科技评论编译李飞飞:在物体识别之后,计算机视觉还要多久才能理解这个世界
IROS 2017 DeepMind 开源虚拟实验室 Psychlab,利用认知心理学对智能体进行研究
|