類人神經(jīng)網(wǎng)絡(luò)再進(jìn)一步！DeepMind最新50頁論文提出AligNet框架：用層次化視覺概念「對齊」人類

AIGC動態(tài)歡迎閱讀

原標(biāo)題：類人神經(jīng)網(wǎng)絡(luò)再進(jìn)一步！DeepMind最新50頁論文提出AligNet框架：用層次化視覺概念「對齊」人類
關(guān)鍵字：模型,人類,語義,相似性,研究人員
文章來源：新智元
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

新智元報道編輯：LRS
【新智元導(dǎo)讀】DeepMind最近的研究提出了一種新框架AligNet，通過模擬人類判斷來訓(xùn)練教師模型，并將類人結(jié)構(gòu)遷移到預(yù)訓(xùn)練的視覺基礎(chǔ)模型中，從而提高模型在多種任務(wù)上的表現(xiàn)，增強了模型的泛化性和魯棒性，為實現(xiàn)更類人的人工智能系統(tǒng)鋪平了道路。近年來，深度學(xué)習(xí)在人工智能領(lǐng)域，如自然語言處理和計算機視覺方面取得了快速進(jìn)展，但即便是最強大的模型，也經(jīng)常會在那些，對于人類說非常簡單的case上折戟。
人類感知對環(huán)境變化具有魯棒性，并能在不同的視覺設(shè)置中泛化，相比之下，對于深度學(xué)習(xí)模型來說，如果訓(xùn)練和測試數(shù)據(jù)集之間的分布發(fā)生偏移，其性能往往會急劇下降。
人類在判斷視覺相似性時往往能夠很好地校準(zhǔn)自己的判斷，即人類對某個問題的確定性往往與預(yù)測準(zhǔn)確率成正比，而AI系統(tǒng)則過于自信，即使在預(yù)測錯誤時也表現(xiàn)出高度的確定性。
所以說，在真正實現(xiàn)通用人工智能之前，深度學(xué)習(xí)模型和人類之間仍然存在諸多差異需要調(diào)和、對齊。
值得思考的是，神經(jīng)網(wǎng)絡(luò)訓(xùn)練和人類學(xué)習(xí)在根本上有所不同，其無法像人類一樣穩(wěn)健地泛化，是否是因為其底層表征的相似性的問題？現(xiàn)代學(xué)習(xí)系統(tǒng)要表現(xiàn)出更像人類的行為，還缺少什么？深

原文鏈接：類人神經(jīng)網(wǎng)絡(luò)再進(jìn)一步！DeepMind最新50頁論文提出AligNet框架：用層次化視覺概念「對齊」人類