【学习笔记】深度学习可解释性问题如何解决？图灵奖得主Bengio有一个解 今年 ...

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

深度学习可解释性问题如何解决？图灵奖得主Bengio有一个解
今年 3 月，为深度学习做出巨大贡献的 Yoshua Bengio、Yann Lecun和Geofrey Hinton 一同获得了图灵奖。
在最近一次采访中，图灵奖得主Bengio再次再次警示了可解释因果关系对深度学习发展的重要性。
在他看来，除非深度学习能够超越模式识别并了解因果关系的更多信息，否则它将无法实现其全部潜力，也不会带来真正的AI革命。换句话说，深度学习需要开始知道事情发生的因果关系，这将使现有的 AI 系统更加智能，更加高效。
今年年初，他与其他研究者合作发表了《通过元迁移目标来学习理解因果关系》一文，提出了一种基于学习器适应稀疏分布变化速度的元学习因果结构，还生成了因果关系的综合数据集。
他们证明了因果结构可以通过连续变量和端到端的学习进行参数化。然后，本文探讨了如何将这些想法用于学习一种编码器，该编码器能将初级观察变量映射到未观察到的因果变量，从而导致更快的分布适应。它学习的是一种表示空间，在这种表示空间中，可以满足独立性以及微小和稀疏变化的假设。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖