深度学习已经改变了许多领域。在处理诸如语音识别、计算机视觉、预测分析,甚至是医疗诊断等复杂任务时,这些系统始终如一地达到甚至超过人类水平的性能。然而,深度学习——主要基于人工神经网络的机器学习系统的总称——并非没有局限性。随着数据变得非平面化和更加复杂,机器识别模式的能力显著下降。
问题的核心是深度学习框架的基本机制。英国帝国理工学院计算系教授Michael Bronstein指出:“只需两层,一个简单的感知器类型的网络就可以将任何平滑函数近似为任何期望的精度,这一特性被称为‘普遍近似’。“然而,多层感知器显示出非常弱的归纳偏差,也就是说,它们对手头问题的结构假设很少,如果应用于高维数据,就会惨败。”
没有发现记录