新智元報道

　　來源：danrose

　　編輯：白峰

　　【新智元導讀】隨著機器學習的不斷發展，無監督學習在近年來備受關注。Yann LeCun 提出賦予無監督學習新的名字——預測性學習。

　　隨著機器學習的不斷發展，無監督學習在近年來備受關注。近日，有人提出賦予無監督學習新的名字——預測性學習。推崇這次改名的正是前些日子在推特「大火」的 Facebook 的首席 AI 科學家，Yann LeCun。

Yann LeCun 將「預測性學習」稱為「下一個 AI 前沿」。因為在過去的十年中，監督學習有著豐碩的成果。而接下來的十年，無監督學習，即預測性學習可能會變得越來越流行。

　　監督學習、無監督學習和強化學習：機器學習的三駕馬車

　　認識無監督學習的新名字之前，我們來看一看機器學習多樣的組成元素。最廣泛用于應用和業務用途的機器學習類別是監督學習。監督學習需要標記非常非常多的數據，也因此在給定情況下教給模型較為正確的答案。

　　無監督學習和監督學習恰恰相反，使用未標記的數據訓練 AI，通常僅用于對數據進行聚類和分組。無監督學習的質量自然不如監督學習。因此，近些年半監督學習也時常被褒獎。半監督學習可以看做監督學習和無監督學習的折中狀態。

　　機器學習中還有一個「重要的玩家」強化學習。強化學習主要用于實驗和研究案例，到目前為止在商業中使用不多。有科學家指出 AlphaGo 是一個很好的例子，通常通過加強學習來完成游戲模型的教學，但 Alphago 確切架構沒有公布，這僅僅是一種猜想。

　　昂貴且復雜的數據標記讓監督學習變得困難

　　去年，監督學習取得了長足的發展。例如在 GPU 上進行訓練，更多可用的標記訓練數據。以及一些技術進步，比如說 ReLU（神經網絡中最具成本效益的解決方案）。

　　但是獲取標簽數據仍然是一個問題。這是非常昂貴的，并且始終會有偏差的數據。偏差的數據會使模型產生偏差，因此開發者始終需要了解模型行為異常的極端情況。科學家們解決這個問題的方法是：如果可以避免使用帶標簽的數據，而改為使用無標簽的數據，則可以以更低的成本和更少的偏差機會去處理更多的數據。

如果將人類智慧與人工智能進行比較，人們意識到很多人類智慧是不受監督的。在我們了解的事物中，很少有學習示例可以教的。因此，即使監督學習給我們帶來了巨大的成就，它也有其局限性。無監督學習日益受到重視。

　　無監督學習（預測性學習）正在登上歷史舞臺

　　正如 YannLeCun 所說，無監督學習是「填補空白」。填補空白不僅僅是將相似的事物歸類，填補空白就像是想象。在訓練預測學習模型時，目的是了解當前的世界。

　　一個很好的例子是圖像完成問題。圖像不完整時，模型想「填補空白」。預測性學習可以做到這一點。

該模型可以預測上下文中可能缺少的內容。另一個非常好的例子是來自 OpenAI 的 GPT-3。GPT-3 是一種語言模型，未經大量數據訓練就可以接受訓練，并且在此基礎上再加上一點點監督學習，就可以擁有一個非常有效的模型。但是，這里預測性學習是模型是基于神經網絡的深度學習模型。較早的無監督模型不基于神經網絡。　　

　　「預測性學習」可能會改變我們的未來

　　過去，當需要一個解決方案時，我們通常會用監督學習去訓練模型。但是監督學習是昂貴的。無監督學習可以為我們提供一種有效的，非常有價值的方式去訓練模型，并得到預測性的結果。

　　拍攝廣告時，這可以被用于將多余的游客從我們的度假圖片或背景物體中刪除。它會填補很多地方的空白。另一方面，預測性學習還能用于檢測出何時出現異常情況。

　　GPT-3 的流行就展示了無監督學習，或者說預測性學習對于科技社會產生的巨大影響。我們有理由相信，正如 YannLeCun 所說，「預測性學習」將成為「下一個 AI 前沿」。

總結

以上是生活随笔為你收集整理的无监督学习？Yann LeCun说：或许应该叫它预测性学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。