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

2019年深度学习自然语言处理十大发展趋势 精选

自然语言处理在深度学习浪潮下取得了巨大的发展,FloydHub 博客上Cathal Horan介绍了自然语言处理的10大发展趋势,是了解NLP发展的非常好的文章。

HU数据派 ·  1天前
4 分钟!OpenAI 的机器手学会单手解魔方了,完全自学无需编程 精选

OpenAI 的机器手学会单手解魔方了,而且还原一个三阶魔方全程只花了 4 分钟,其灵巧程度让人自叹不如。

佚名 ·  1天前
MIT新研究表明机器学习不能标记假新闻

麻省理工学院研究人员发表的两篇新论文显示,当前的机器学习模型还不能完成区分虚假新闻报道的任务。在不同的研究人员表明计算机可以令人信服地生成虚构新闻故事而无需太多人为监督之后,一些专家希望可以训练基于相同机器学习的系统来检测此类新闻。

佚名 ·  1天前
高位截瘫患者重新行走:靠意念指挥外骨骼,法国脑机接口新突破 精选

依靠介入头部的 2 个传感器,法国里昂的一名瘫痪男子 Thibault 实现了操控外骨骼装备来助力行走。

孙滔 ·  2天前
2008 年预测 2020 年生活方式:基本都实现了

美国皮尤研究中心曾在 2008 年预测 2020 年的生活方式,目前来看,该研究的预测基本已经实现。而对于未来 10 年,也就是 2030 年左右人们的生活,在 2017 年底的世界经济论坛上,800 多名信息和通讯技术领域的技术高管和专家给出了如下预测。

佚名 ·  2天前
机器学习的正则化是什么意思?

正则化的好处是当特征很多时,每一个特征都会对预测y贡献一份合适的力量;所以说,使用正则化的目的就是为了防止过拟合。

佚名 ·  2天前
机器学习的正则化是什么意思?

正则化的好处是当特征很多时,每一个特征都会对预测y贡献一份合适的力量;所以说,使用正则化的目的就是为了防止过拟合。

佚名 ·  2天前
为什么我的CV模型不好用?没想到原因竟如此简单……

机器学习专家 Adam Geitgey 近日发布了一篇文章探讨了这一简单却又让很多人头痛的问题,并分享了他为解决这一问题编写的自动图像旋转程序。

机器之心 ·  2天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载