一个算法统治一切!DeepMind提出神经算法推理,深度学习和传统算法融合再现奇迹?

新闻 深度学习 算法
现在,DeepMind 想开创一条新路,他们要找到一种深度学习模型,模仿任何经典算法,并在现实世界实现功能。

雄心勃勃的 DeepMind,要在深度学习网络和传统算法之间架桥了!

  众所周知,经典算法是使软件能够风行世界的原因,但这些算法所使用的数据并不总是能反映真实世界。

  而深度学习是当今 AI 应用的源动力,但深度学习模型需要重新训练,才能应用于最初设计的领域。

  现在,DeepMind 想开创一条新路,他们要找到一种深度学习模型,模仿任何经典算法,并在现实世界实现功能。

[[428875]]

只用一个算法,统治一切!

  近年来,DeepMind 因 AI 领域的一些标志性成就而屡上头条。AlphaGo 打破人类选手对围棋的统治,AlphaFold 解决了生物学领域 50 年来的大难题。

  现在,DeepMind 将目光投向另一个重大挑战:将深度学习与计算机科学经典算法联系起来。

  经典算法和深度学习网络的本质不同

  要实现这个目标,首先要理解二者的主要区别。即:经典算法和深度学习网络的性质有什么不同?

[[428876]]

[[428877]]

  DeepMind 的两位研究人员 Charles Blundell 和 Petar Veličković专门谈了这个问题。他们都在 DeepMind 担任高级研究职位。

  他们认为,二者之间的主要区别在于「泛化性」和「最优解」问题。

  Blundell 表示,第一,算法在大多数情况下不会改变。算法由一组固定的规则组成,这些规则在某些输入上执行。对于算法获得的任何类型的输入,算法都会在合理的时间内给出合理的输出。更改输入的大小,算法会继续工作。

  第二,算法可以串连在一起。算法的性质决定了:给定某种输入,只产生某种输出。我们可以把一个算法输出作为其他算法的输入,构建一个完整的堆栈。

  即使是简单任务,要用深度学习来完成算法的工作也很困难。比如一个最简单的任务:复制文本。输出为输入的本文复制。

  这么简单的任务,要深度学习完成就很麻烦。如果只在1-10 个字符长度上进行训练,那么当任务字符长度超出时,输出就会出问题,因为它学不会算法中的核心思想。

  如果任务再复杂一点,比如涉及排序,训练神经网络的性能会更差。而这对于传统意义上的算法来说根本不是问题。

  总结一下就是:

  深度学习网络的泛化性能很差,但在充分训练的特定问题上,往往比算法产生更优化的结果。

  传统算法是可泛化的。改变输入数据的大小和类型,原来可用的算法程序依然可用。但算法有时产生的结果可能不是最优的。

  怎么同时解决这两个问题,同时获得算法和深度学习的优势?

  神经算法推理:一个算法,统治一切!

  Blundell 和 Veličković提出了一个方向:神经算法推理(NAR)。

  NAR 关键点是,通过用深度学习方法更好地模仿算法,让深度学习实现算法的高度可泛化性,同时保留对问题的最优解。

  DeepMind 已经选择和谷歌地图 APP 进行合作,将图网络作为 NAR 的试验场。他们利用谷歌地图的图网络数据,对用户旅行时的到达时间进行预测。相关论文已经发表。

  2020 年,谷歌地图是美国下载量最大的地图和导航应用,每天有数百万人在使用。谷歌地图重要的寻路(Pathfinding) 功能,其背后的技术支持正是 DeepMind 提供的。

  为何选择图网络模型来做这件事呢?

  Veličković表示,因为实际上任何对象都可以适用图表示的框架。

  「比如图像,可以看作是由附近的像素组成的图。文本可以看作彼此相连的一系列目标。更广泛地说,自然界中没有被人为设计编排进某个框架或序列的东西,都非常自然地表现为图结构。」

  为什么要使用专门应用于深度学习算法的泛化框架,而不仅仅是直接使用机器学习算法?

  因为他们希望设计能在真正在复杂现实世界中顺利运行的解决方案。大规模处理大量自然数据的最佳解决方案就是深度神经网络。

  Blundell 对 NAR 研究的未来潜力表示乐观。

  「在面向对象的编程中,在对象类之间发送消息,你会发现它完全相似,你可以构建非常复杂的交互图,然后将其映射到图神经网络中。从这种复杂的内部结构中获得的丰富性,可以学习使用更传统的机器学习方法不一定能获得的算法。」Blundell 说。

  https://venturebeat.com/2021/10/12/deepmind-is-developing-one-algorithm-to-rule-them-all/

  https://venturebeat.com/2021/09/10/deepmind-aims-to-marry-deep-learning-and-classic-algorithms/

  https://arxiv.org/abs/2108.11482

 

 

责任编辑:张燕妮 来源: 新智元
相关推荐

2021-03-09 09:54:07

数字化转型5G网络

2021-04-16 11:31:24

人工智能深度学习

2023-07-18 10:38:09

2020-11-06 12:48:16

数据结构算法分析

2019-06-20 13:50:44

BoostingBagging机器学习

2017-03-16 14:21:55

人工智能神经网络机器

2022-06-15 15:56:22

压缩算法神经网络

2023-05-04 12:19:47

模型AI

2009-07-22 17:15:04

C#实现

2024-03-01 10:04:11

研究训练编码器

2021-01-04 07:04:54

UI开发用户界面

2022-03-09 09:56:14

深度学习算法人工智能

2022-11-02 14:02:02

强化学习训练

2020-08-14 12:17:48

算法机器学习

2017-07-13 10:03:43

优化算法Adam深度学习

2023-06-12 12:02:02

追踪视频

2021-01-28 07:21:13

算法虚拟DOM前端

2016-02-15 10:33:04

数据中心

2023-05-11 07:43:36

机器学习深度学习算法

2020-10-23 07:32:28

计算机视觉CV
点赞
收藏

51CTO技术栈公众号