网站开发技术可行性分析怎么写,合肥瑶海区最新房价,网站关键词密度,长沙银狐做网站本文由机器之心报道Geoffrey Hinton 是谷歌副总裁、工程研究员#xff0c;也是 Vector Institute 的首席科学顾问、多伦多大学 Emeritus 荣誉教授。2018 年#xff0c;他与 Yoshua Bengio、Yann LeCun 因对深度学习领域做出的巨大贡献而共同获得图灵奖。自 20 世纪 80 年代开… 本文由机器之心报道Geoffrey Hinton 是谷歌副总裁、工程研究员也是 Vector Institute 的首席科学顾问、多伦多大学 Emeritus 荣誉教授。2018 年他与 Yoshua Bengio、Yann LeCun 因对深度学习领域做出的巨大贡献而共同获得图灵奖。自 20 世纪 80 年代开始Geoffrey Hinton 就开始提倡使用机器学习方法进行人工智能研究他希望通过人脑运作方式探索机器学习系统。受人脑的启发他和其他研究者提出了「人工神经网络」artificial neural network为机器学习研究奠定了基石。那么30 多年过去神经网络的未来发展方向在哪里呢Hinton 在此次报告中回顾了神经网络的发展历程并表示下一代神经网络将属于无监督对比学习。Hinton 的报告主要内容如下人工神经网络最重要的待解难题是如何像大脑一样高效执行无监督学习。目前无监督学习主要有两类方法。第一类的典型代表是 BERT 和变分自编码器VAE它们使用深度神经网络重建输入。但这类方法无法很好地处理图像问题因为网络最深层需要编码图像的细节。另一类方法由 Becker 和 Hinton 于 1992 年提出即对一个深度神经网络训练两个副本这样在二者的输入是同一图像的两个不同剪裁版本时它们可以生成具备高度互信息的输出向量。这类方法的设计初衷是使表征脱离输入的不相关细节。Becker 和 Hinton 使用的优化互信息方法存在一定缺陷因此后来 Pacannaro 和 Hinton 用一个判别式目标替换了它在该目标中一个向量表征必须在多个向量表征中选择对应的一个。随着硬件的加速近期表征对比学习变得流行并被证明非常高效但它仍然存在一个主要缺陷要想学习具备 N bits 互信息的表征向量对我们需要对比正确的对应向量和 2 N 个不正确的向量。在演讲中Hinton 介绍了一种处理该问题的新型高效方式。此外他还介绍了实现大脑皮层感知学习的简单途径。接下来我们来看 Hinton 演讲的具体内容。为什么我们需要无监督学习在预测神经网络的未来发展之前Hinton 首先回顾了神经网络的发展进程。演讲一开始Hinton 先介绍了三种学习任务监督学习、强化学习和无监督学习并重点介绍了无监督学习的必要性。为什么我们需要无监督学习呢Hinton 从生物学的角度做出了诠释。他指出人类大脑有 10^14 个神经元突触而生命的长度仅有 10^9 秒因此人类无法完全依赖监督学习方式完成所有神经元训练因而需要无监督学习的辅助。受此启发构建智能模型也需要无监督学习。无监督学习的发展历程无监督学习经过怎样的发展呢Hinton 为我们介绍了无监督学习中的常见目标函数。 紧接着Hinton 详细介绍了自编码器。Hinton 表示自编码器是一种利用监督学习实现无监督学习的方式其目标是使最后的重建结果与数据相匹配。编码器将数据向量转换为代码解码器基于代码生成数据。在高屋建瓴地介绍了自编码器的定义、训练深度自编码器之前的难点和现状之后Hinton 着重介绍了两种自编码器类型变分自编码器和 BERT 自编码器。使用深度神经网络重建输入VAE 和 BERTBERT 和变分自编码器VAE是无监督学习的一类典型代表它们使用深度神经网络重建输入。变分自编码器由韦灵思和 Kingma 于 2013 年提出它使用多层编码器选择实数代码然后用多层解码器重建数据。VAE 的基本构造如下图所示BERT 是 2018 年谷歌提出的语言表征模型基于所有层的左、右语境来预训练深度双向表征。语境信息对 BERT 非常重要它利用遮蔽语言模型masked language modelMLM允许表征融合左右两侧的语境从而预训练深度双向 Transformer。Hinton 举了一个例子「She scromed him with the frying pan」。在这个句子中即使你不知道 scromed 的意思也可以根据上下文语境进行推断。视觉领域也是如此。然而BERT 这类方法无法很好地应用到视觉领域因为网络最深层需要编码图像的细节。在探讨了以 VAE 和 BERT 为代表的一类无监督学习方法后Hinton 为我们介绍了另一类无监督学习方法。Becker 和 Hinton 提出最大化互信息方法那么自编码器和生成模型有没有什么替代方案呢Hinton 表示我们可以尝试不再解释感官输入sensory input的每个细节而专注于提取空间或时序一致性的特征。与自编码器不同这种方法的好处在于可以忽略噪声。然后Hinton 详细介绍了他与 Suzanna Becker 在 1992 年提出的一种提取空间一致性特征的方法。该方法的核心理念是对输入的两个非重叠块non-overlapping patch表示之间的显式互信息进行最大化处理。Hinton 给出了提取空间一致性变量的简单示例如下图所示经过训练Hinton 指出唯一的空间一致性特征是「不一致性」The Only Spatially Coherent Property is Disparity所以这也是必须要提取出来的。他表示这种最大化互信息的方法存在一个棘手的问题并做出以下假设即如果只学习线性映射并且对线性函数进行优化则变量将成为分布式的。不过这种假设并不会导致太多问题。以往研究方法回顾在这部分中Hinton 先后介绍了 LLE、LRE、SNE、t-SNE 等方法。局部线性嵌入方法Locally Linear Embedding, LLEHinton 介绍了 Sam T. Roweis 和 Lawrence K. Saul 在 2000 年 Science 论文《Nonlinear Dimensionality Reduction by Locally Linear Embedding》中提到的局部线性嵌入方法该方法可以在二维图中显示高维数据点并且使得非常相似的数据点彼此挨得很近。但需要注意的是LLE 方法会导致数据点重叠交融curdling和维度崩溃dimension collapse问题。下图为 MNIST 数据集中数字的局部线性嵌入图其中每种颜色代表不同的数字此外这种长字符串大多是一维的并且彼此之间呈现正交。从线性关系嵌入LRE到随机邻域嵌入SNE在这部分中Hinton 介绍了从线性关系嵌入Linear Relational Embedding, LRE到随机邻域嵌入Stochastic Neighbor Embedding, SNE方法的转变。他表示只有「similar-to」关系存在时LRE 才转变成 SNE。同时Hinton 指出可以将 LRE 目标函数用于降维dimensionality reduction。下图为 SNE 的示意图其中高维空间的每个点都有选择其他点作为其邻域的条件概率并且邻域分布基于高维成对距离pairwise distance。从随机邻域嵌入SNE到 t 分布随机邻域嵌入t-SNEt 分布随机邻域嵌入t-distributed stochastic neighbor embedding, t-SNE是 SNE 的一种变体原理是利用一个 student-distribution 来表示低维空间的概率分布。Hinton 在下图中展示了 MNIST 数据集中数字的 t-SNE 嵌入图每种颜色代表不同的数字在介绍完这些方法之后Hinton 提出了两个问题1方差约束在优化非线性或非参数映射时为何表现糟糕2典型相关分析或线性判别分析的非线性版本为何不奏效并做出了解答。最后Hinton 提出使用对比损失contrastive loss来提取空间或时间一致性的向量表示并介绍了他与 Ruslan Salakhutdinov 在 2004 年尝试使用对比损失的探索以及 Oord、Li 和 Vinyals 在 2018 年使用对比损失复现这种想法并用它发现时间一致性的表示。Hinton 表示当前无监督学习中使用对比损失一种非常流行的方法。无监督对比学习的最新实现 SimCLR在演讲最后Hinton 重点介绍了其团队使用对比损失提取一致性表示的最新实现 SimCLR这是一种用于视觉表示的对比学习简单框架它不仅优于此前的所有工作也优于最新的对比自监督学习算法。下图为 SimCLR 的工作原理图那么 SimCLR 在 ImageNet 上的 Top-1 准确率表现如何呢下图展示了 SimCLR 与此前各类自监督方法在 ImageNet 上的 Top-1 准确率对比以 ImageNet 进行预训练以及 ResNet-50 的有监督学习效果。Hinton 表示经过 ImageNet 上 1% 图片标签的微调SimCLR 可以达到 85.8的 Top-5 准确率——在只用 AlexNet 1% 标签的情况下性能超越后者。Hinton 认为以 SimCLR 为代表的无监督对比学习将引领下一代神经网络的发展。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
