侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

第四范式首席科学家杨强教授:未来人工智能会让二流科学家失业

2016-09-13 05:56
人在旅途20
关注

  杨强,第四范式联合创始人、首席科学家。杨强教授在人工智能研究领域深耕三十年,是国际公认的人工智能全球顶级学者,ACM杰出科学家,两届「KDDCup」冠军。现任香港科技大学计算机与工程系主任,是首位美国人工智能协会(AAAI)华人院士,AAAI执行委员会唯一的华人委员,国际顶级学术会议KDD、IJCAI等大会主席,IEEE大数据期刊等国际顶级学术期刊主编。杨强教授在数据挖掘、人工智能、终身机器学习和智能规划等研究领域都有卓越的贡献,是迁移学习领域的奠基人和开拓者,他发表论文400余篇,论文被引用超过两万次。

  近日,机器之心对杨强教授进行了专访,他对迁移学习、人工智能行业与技术进行了深入讲解,并对人工智能从业者提供了众多有价值的建议。

  杨强教授

  关于迁移学习

  机器之心:您目前主要从事哪方面的研究工作?

  杨强:我现在做的一项研究是把深度学习、强化学习和迁移学习结合起来,让深度学习有目标。基于有目标的延迟反馈的机器学习在现有的深度学习中做的不是太好,比如RNN能够解决序列到序列的学习(Sequenceto Sequence Learning),但它比较短视,没有最终目标和最终反馈。这就会出现很多问题,比如说推荐系统就没有办法在对话中有效地,自然地使用。同时,在自然语言对话中,只会出现毫无目的的闲聊,使得用户体验会不太好。要改变这些问题,就一定要引入强化学习,这样才可以进行推理并具有长期的目标。同时在这些算法之上再加一个迁移学习的算法层。这样,可以把一个通用的学习模型「个性化」到每个人不同的需求和兴趣上。这是我们目前所聚焦的研究领域。

  机器之心:提到不同学习方法的结合,ACM8月份CACM(communication of the ACM)刊文《强化学习的复兴(Reinforcement Renaissance)》,深度学习和强化学习结合的深度强化学习带来了更好的表现,您之前也在演讲中提过两者的结合,能具体解释一下吗?

  杨强:强化学习原来特别地难以有效的扩展,这是因为它的状态空间太大;另外,这些状态,都是凭某个专家的经验来人为地定义的,而并不是学习出来的。但是,现在通过和深度学习的结合,我们可以把强化学习的目标和反馈拿出来,把规划的目标转化成一个学习的目标,即lost function,而用来训练一个「端到端的」深度学习系统。DeepMind在这方面就做的比较成功。这样,深度学习就有目的性了,因为可以得到有效的反馈机制来帮助学习。

  但是,我们也要看到,这样做了以后,缺点也随之出现——比如说DeepMind那个模型,它是不可解释的,因此很难把人的经验放进去,也很难在这个强化学习模型上面做任何的「知识短路」,即个性化。我们看到,迁移学习是在状态空间上的一种知识短路,这是我们的一个新发现:即迁移学习更容易在知识结构上从小数据中学习。这样,在应用中,可以先训练一个深度学习和强化学习的合并模型,然后用近似的方法把状态显现化,最后,再在这个近似空间的转移中做一个迁移学习模型。这就是我们现在所做的研究。

  机器之心:能否介绍一下迁移学习这几年发展的亮点以及现阶段的研究难点,比如您之前提到过的「两个领域衡量标准」问题。

  杨强:迁移学习在这几年有挺大突破,比如它和深度学习的结合。迁移学习的一个发现就是用特征做迁移效果非常好,关键是怎么找到这些好的特征将两个领域给结合起来,换句话说,就是要找到合适的迁移机制。我们可以通过什么把知识从一个领域迁移到另外一个领域呢?我们发现最好就是找到一些比较通用的特征,比如说在大陆这边,汽车的驾驶员坐在左边,而在香港驾驶员坐在右边。那么,你怎么让一个大陆的驾驶员一来到香港就马上就适应,而回到大陆又可以迅速调整回来,做到左右逢源呢?那就需要找到一个知识的表达方式——即驾驶员和马路的关系的表达——司机的位置如果是靠路中间,那不管在大陆还是在香港都肯定没错。而这种通用的表达方式就是深度学习可以帮你找到的。当你把两个不同领域都作为输入给深度学习系统,它会帮你找到一个共同的不变的表达,然后就可以通过这个不变量来做迁移。

1  2  3  4  5  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号