神经网络与其他机器学习技术
2022年2月14日整理发布:人工神经网络只是执行 机器学习的几种算法之一,机器学习是人工智能的一个分支,它根据经验发展行为。还有许多其他机器学习技术可以在数据中找到模式并执行分类和预测等任务。其中一些技术包括回归模型、支持向量机 (SVM)、k-最近方法和决策树。
然而,在处理图像、音频和文本等杂乱和非结构化数据时,神经网络优于其他机器学习技术。
例如,如果您想使用经典的机器学习算法执行图像分类任务,则必须进行大量复杂的“特征工程”,这是一个复杂而艰巨的过程,需要几位工程师和领域专家的努力。神经网络和深度学习算法不需要特征工程,如果训练良好,会自动从图像中提取特征。
然而,这并不意味着神经网络可以替代其他机器学习技术。其他类型的算法需要较少的计算资源并且不太复杂,这使得它们在您尝试解决不需要神经网络的问题时更可取。
其他机器学习技术也是可解释的(下面将详细介绍),这意味着更容易调查和纠正他们做出的决定。这可能使它们在可解释性比准确性更重要的用例中更受欢迎。
神经网络的局限
尽管有其名称,人工神经网络与它们的人类等效物非常不同。尽管神经网络和深度学习是当今人工智能的最先进技术,但它们与人类智能相距甚远。因此,神经网络会在许多你期望人类思维的事情上失败:
神经网络需要大量数据:与人类大脑可以通过很少的示例学习做事不同,神经网络需要成千上万的示例。
神经网络不擅长泛化:神经网络在其训练过的任务上表现准确,但在其他任何方面都很差,即使它与原始问题相似。例如,在数千张猫图片上训练的猫分类器将无法检测到狗。为此,它将需要数千张新图像。与人类不同,神经网络不会根据符号(耳朵、眼睛、胡须、尾巴)来开发知识——它们处理像素值。这就是为什么他们将无法从高级特征方面了解新对象,需要从头开始重新训练。
神经网络是不透明的:由于神经网络根据神经元权重和激活来表达其行为,因此很难确定其决策背后的逻辑。这就是为什么它们经常被描述为黑匣子。这使得很难确定他们是否基于错误的因素做出决定。
人工智能专家和神经科学家 Gary Marcus在去年的一篇深入研究论文中解释了深度学习和神经网络的局限性。
此外,在逻辑和推理清晰且可以编码为不同规则的问题中,神经网络也不能替代老式的基于规则的 AI。例如,在求解数学方程时,神经网络的表现非常糟糕。
有几项努力可以克服神经网络的限制,例如DARPA 资助的创建可解释 AI 模型的计划。其他有趣的发展包括开发 结合神经网络和基于规则的人工智能的混合模型,以创建可解释且需要较少训练数据的人工智能系统。
尽管在达到人类级别的 AI 目标之前我们还有很长的路要走(如果我们能实现的话),但神经网络已经让我们离我们更近了。看看下一个人工智能创新会是什么会很有趣。