Yann LeCun:人工智能下一站——无监督学习

日前,Facebook AI 实验室负责人、纽约大学教授 Yann LeCun 受邀来到 CMU 进行分享,讲述深度学习领域最近技术进展,并回答听众提问。LeCun 表示,未来几年的挑战是让机器学会从原始的、没有标签的数据中学习,比如从视频或文本中学习,也就是无监督学习。如今的 AI 系统并不具有所谓的“常识”,有些人认为,无监督学习将是机器具有常识的关键。 LeCun认为,对抗式生成网络是近20年来最酷的创造,他个人非常看好。

LeCun 从深度学习的基础讲起,评析了实现无监督学习的几种方法。演讲中,LeCun 结合神经网络历程以及现在为人熟知的各位大牛的相关故事,是一次十分生动而且技术含量丰富的分享。

以下为视频摘要:

 

一、无监督学习的重要性
  AI 技术的飞速进步很大程度上是由于深度学习和神经网络领域的突破,还得益于大型数据库的建立和更快的 GPU。我们现在已有了图像识别能力可与人类相比的 AI 系统 (例如下文中 Facebook 的识别系统)。这会导致自动化交通,医疗图像解析在内的多个领域的革命。 但这些系统现在用的都是监督学习(supervised learning),输入的数据被人为加上标签。
  接下来的挑战在于, 怎么让机器从未经处理的、无标签无类别的数据中进行学习,比方说视频和文字。而这就是无监督学习(unsupervised learning)。

 

二、神经网络的规模越大越好
  传统的思想认为,如果你没有大量的数据,神经网络应该控制在较小的规模。Yann LeCun 指出 这完全是错误的。他的团队在数据不变的情况下扩展了神经网络,得到了更好的结果。他说,神经网络越大,效果就越好(当然前提是数据库大小达到了临界值)。至于为什么会这样,目前仍是一个谜,相关理论研究正在开展。

 

三、卷积神经网络在识别领域的广阔前景
  Yann LeCun 特别强调了卷积神经网络的重要性和应用:”我们很早就认识到,卷积神经网络可以被用来处理多种任务——不单单是识别单个物体(比如字母数字),还可以识别多个物体,同时进行物体识别、分组和解释。比方说,可以用卷积神经网络训练 AI 系统识别并标注(摄像头所拍摄)图像中的每一个像素,以此分析前方路径是否可通过。在英伟达最近的自动驾驶项目中,他们就使用了卷积神经网络来训练自动驾驶系统。系统分析摄像头提供的图像,据此模仿人类的转向角度。“

 

推荐文章

沪公网安备 31010702002009号