黑箱难题仍在阻碍深度学习的普及

作者: 车品觉 2017-11-24 08:30:25

黑箱难题仍在阻碍深度学习的普及

当前,深度学习扛起了人工智能的大旗,让我们得以一窥智能机器在将来的能耐。但深度学习有个不小的问题:没人知道它是如何运作的。

我们并不是对深度学习一无所知。作为当今神经网络的核心,机器学习算法已经发展了几十年,它定义完善,文献丰富。在银行和保险业等受到严格监管的行业,这些算法已经普及多年,不曾引发重大问题。

“机器学习基本就是线性数学,很好解释,”数据公司Teradata***技术官斯蒂芬·布罗布斯特(Stephen Brobst)在Teradata合作伙伴大会的一场小组讨论上说。“然而,一旦涉及到多层神经网络,问题就成了非线性数学。不同变量之间的关系就纠缠不清了。”

神经网络的明晰性问题植根于它的基本架构,这种架构的复杂性是与生俱来的。通过将很多隐藏层逐层堆叠起来,我们其实创造出了几乎***量的路径,供数据在网络中训练时经过。继而,通过让数据一遍又一遍地经过这些路径,将每次循环中变量的权重交由机器自己决定,我们发现可以制造出更好的机器,提供比传统机器学习方法更加优质的答案。

这是对人脑的一种粗糙演绎——这里要强调的是“粗糙”,因为我们仍未充分掌握人脑的运作原理——但我们知道人脑能起作用,也知道神经网络能起作用,虽然我们对它们的运作原理不甚了了。从某种层面上讲,神经网络的不透明性不是什么缺陷,而是一种特色。

复杂性正是深度学习起效的秘方。

这也是一个不小的研究领域。金融服务等行业都对神经网络垂涎三尺,但目前都被禁止使用,因为他们无法向监管机构充分解释神经网络的运作原理。“在将机器学习投入风险评估等领域的过程中,这是***的一个障碍,这些领域受到严格的监管,”布罗布斯特说。“若只是欺诈检测和推荐引擎,你还可以侥幸过关。但监管严格的领域就不行了。”

这足以使DataRobot公司在这些领域的客户回避深度学习框架,如Tensorflow等,尽管DataRobot会帮助实现其自动化使用。“有时候,这些模型会因无法验证而被拒之门外,”DataRobot***运营官克里斯·德瓦尼(Chris Devaney)说。“你不太容易为它辩护。即便不是黑箱,它也表现得像个黑箱,因为你无法记录神经网络算法深处发生的一切。”

TensorFlow可以针对大规模数据集作出快速预测,但DataRobot的顾客不愿触及。目前,DataRobot正在与Immuta合作,旨在寻找并削减机器学习中的偏差,这方面的工作终将有所成效,但任重道远。“对于一些受到严格监管的客户,如果必须在政府机构面前捍卫这种模型,他们就会放弃考虑,”他说。

研究公司ForresterResearch副总裁、***分析师麦克·格列蒂里(Mike Gualtieri)说,有些公司一边使用深度学习,一边还抱有某种程度的怀疑。“连使用这些模型的公司都不信任它们,”他在近期的合作伙伴会议上说。

他说,开始使用深度学习的公司有办法对付这种不确定性,包括加入人类干预,用规则加以限定,他说。

“模型可以作出预测——这个预测始终都是一个概率——但如果预测不准呢?”他说。“你可以用规则加以限定。比如告诉它‘这是欺诈’,模型可能会说:‘这不是欺诈’。你也可以设定有利于人类的规则,比如说,‘我才不管模型怎么说——在我看来,这就是欺诈。”

在增加神经网络的透明度方面,人们已经做了一些工作。其中之一被称为“局部可理解的与模型无关的解释技术”(Model-Agnostic Explanations;下简称LIME)框架,由华盛顿大学计算机科学教授马可·图里奥·里贝罗(Marco Tulio Ribeiro)和他的同事萨米尔·辛格(Sameer Singh)及卡洛斯·格斯特林(Carlos Guestrin)共同提出。

LIME框架的设计旨在提高可理解性,使各类不透明算法生成的预测更易于解释。这包括传统的机器学习技术,比如随机森林与支持向量机(SVM),以及当今日益流行的神经网络技术。

作为GitHub上的开源软件,LIME框架有望逐层剥开神经网络的外衣。“LIME是一种高效的工具,赋予机器学习从业人员以信任感,可以加入到他们的工具组合中,”里贝罗、辛格和格斯特林教授在2016年发表于电脑资讯网站奥莱利(O’Reilly)的文章中写道。

然而,在得到业界的信赖之前,LIME还有很多工作要做。Teradata的布罗布斯特说。“以上提到的LIME框架,我们还没有完成呢,”他说,“这是一个活跃的研究领域……但我称之为‘毕业生代码’。其用例非常有限。专门用例需要专门定制。”

深度学习 机器学习 黑箱难题
上一篇:自创数据集,用TensorFlow预测股票教程 下一篇:用Madlib学习『机器学习』之KNN
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

关于AI在游戏领域的5个预测,你不一定都知道

随着计算机视觉技术的迅猛发展,机器学习在视频游戏行业中得到了广泛地应用,尤其是在虚拟现实领域。

Yu ·  23h前
机器学习技术使显微镜变得比以往更好

机器学习帮助一些最好的显微镜看得更清楚,工作得更快,并处理更多的数据。

cnBeta ·  1天前
Epoch不仅过时,而且有害?Reddit机器学习板块展开讨论

Epoch最大的好处是确保每个样本被定期使用。当使用IID抽样时,你只要能想办法确保所有样本被同样频繁地使用就好了。

梦晨 ·  2天前
人工智能寒冬又到?美国教授arxiv发文批判AI,遭Reddit网友狂喷

人工智能又被批评了?美国教授arxiv发文批评AI有四个误区,却不料遭reddit网友炮轰炒冷饭。

佚名 ·  2天前
人工干预如何提高模型性能?看这文就够了

下面我先从使用机器学习模型来推理系统入手,再展开人工干预的推理循环的技术介绍。

AI科技大本营 ·  2天前
做出电影级的 CG 渲染!斯坦福大学研究人员提出神经光图渲染

近日,一篇题为Neural Lumigraph Rendering的研究论文声称,它对现有的2个数量级图像进行了改进,展示了通过机器学习管道实现实时 CG 渲染的几个步骤。

佚名 ·  3天前
从“几何深度学习”看深度学习江湖的统一

通过对称性和的变换,可以提炼出覆盖CNNs, GNNs, LSTMs, Transformers, DeepSets, mesh CNN等一切你所需构建的架构吗?

水木番 ·  3天前
深度学习与机器视觉的重要性解析!推动机器人摆脱束缚?

深度学习是工业机器人的核心技术,能够推动机器人摆脱束缚,根据环境的变化,自主的进行工业操作,并且能够自主学习,充实自己,以适应不断变化的工业环境。

时尚小马甲 ·  3天前
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载