智能学习-精品文档资料整理.docx

《智能学习-精品文档资料整理.docx》由会员分享，可在线阅读，更多相关《智能学习-精品文档资料整理.docx（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、智能学习导语：一种新型的人工智能 (AI) 机器学习在 2021 年 2 月初举行的第 35 届 AAAI 人工智能会议上亮相。 麻省理工学院 (MIT) 和奥地利研究人员创立了一个新的神经网络，赋予了更多的流体人工智能被称为“液体机器学习。这种新型机器学习可以更好地适应复杂现实世界问题的动态波动。 在数据流随时间变化的领域，开发可以快速学习的更灵敏的是关键任务。具有时间序列数据的实际应用包括视频处理、流行病学、金融市场、经济学、国内消费总值 (GDP)、安康监测、天气预报、大气污染、自动驾驶汽车、机器人技术、航空和医学成像等一些。 流体智力与晶体智力的概念可以追溯到 1963 年，当时它是由

2、 20 世纪最有影响力的心理学家之一雷蒙德卡特尔 (Raymond Cattell) (1905-1998) 提出的。流体智力是灵敏考虑、推理和实时处理新信息的才能。相比之下，结晶智力是指从先前学习的事实、技能和经历中获得的知识。 流体智力(Fluid Intelligence)是一种以生理为根底的认知才能，如知觉、记忆、运算速度、推理才能等。流体智力是与晶体智力相对应的概念，流体智力随年龄的老化而减退。流体智力属于人类的根本才能，受先天遗传因素影响较大，受教育文化影响较少。流体智力的开展与年龄有亲密的关系：一般人在20岁以后，流体智力的开展到达顶峰，30岁以后随着年龄的增长而降低。而晶体智力

3、那么并不随年龄的老化而减退，晶体智力主要指学会的技能、语言文字才能、判断力、联想力等。 “我们引入了一类新的时间连续循环神经网络模型，该研究的写道。 Ramin Hasani 是计算机科学与人工智能实验室 (CSAIL) 的博士后，也是该研究的主要。该团队的其他研究人员包括麻省理工学院教授兼 CSAIL 主任 Daniela Rus、麻省理工学院博士生 AlexanderAmini、奥地利科学技术研究所的 Mathias Lechner 和维也纳科技大学的 Radu Grosu。 当存在时间序列数据时，经常使用使用常微分方程 (ODE) 来确定连续时间隐藏状态的循环神经网络。研究人员团队着手改

4、良这种构造，以“实现更丰富的表征学习和表达才能。 研究人员写道：“我们不是通过隐式非线性来声明学习系统的动态，而是构建通过非线性互连门调制的线性一阶动态系统网络。 作为替代方案，研究人员创立了一个液体时间常数 (LTC) 循环神经网络 (RNN)。这种新型循环神经网络的优势在于它在设计上更具表现力，因此本质上更透明和可解释。 这种表现力使研究人员可以更好地解析神经网络的一些“考虑经过，这一好处有助于揭开人工智能机器学习“黑匣子的一些复杂认知的神秘面纱。 研究小组写道：“由此产生的模型代表了动态系统，其变化的(即液体)时间常数与其隐藏状态耦合，输出由数值微分方程求解器计算。 “这些神经网络表现出

5、稳定和有界的行为，在神经常微分方程族中产生卓越的表现力，并进步了时间序列预测任务的性能。 为了评估他们的新模型，该团队对他们的液体时间约束递归神经网络进展了大量实验。实验包括训练分类器从运动数据中识别手势，从传感器数据流(温度、二氧化碳程度、湿度和其他传感器)预测房间占用，和从智能手机数据识别人类活动(例如，站立、行走和坐着)。其他测试包括顺序 MNIST、运动动力学建模和交通预测、每小时家庭用电量、臭氧浓度程度和更多类型的人类活动。 与其他循环神经网络模型(LSTM、CT-RNN、Neural ODE 和 CT-GRU)相比，研究人员观察到，在关于时间序列预测的七项实验中有四项改良了 5% 到 70%。 人工智能正在跨行业和许多功能迅速扩展。 AI 机器学习变得越灵敏、流畅和透明，将来进步 AI 平安性和性能的潜力就越大。 0