機(jī)器學(xué)習(xí)今年的熱門研究，會是什么？
近日，有網(wǎng)友在 Reddit 開了這么一個(gè)盤，立刻吸引了大批 MLer 的注意。
有人提名自監(jiān)督模型，有人認(rèn)為表征學(xué)習(xí)越來越受到關(guān)注，還有人認(rèn)為基于物理的機(jī)器學(xué)習(xí)才是未來的方向……
然而，目前從評論區(qū)最高贊數(shù)來看，上述的這幾個(gè)方向都不是“贏家”。
截至目前，獲贊最多的選手是 —— 幾何深度學(xué)習(xí)。
這項(xiàng)技術(shù)是因 Twitter 首席科學(xué)家、圖機(jī)器學(xué)習(xí)大牛 Michael Bronstein 去年發(fā)表的一篇論文走入了大眾視線。
▼ 順帶一提那篇論文有 160 頁
那么問題就來了：
Top 人氣從何而來？
幾何深度學(xué)習(xí)全名 Geometric Deep Learning，最早是 Michael Bronstein 在 2016 年的一篇論文中引出的一個(gè)概念。
簡單來說，這是一種試圖從對稱性和不變性的視角出發(fā)，從幾何上統(tǒng)一 CNNs、GNNs、LSTMs、Transformers 等典型架構(gòu)的方法。
在高贊評論的下方，有人用一個(gè)簡單的例子解釋了這種“對稱性”：
傳統(tǒng)網(wǎng)絡(luò)認(rèn)為“E”和“3”是不同的，但是具有鏡像對稱性（或 π 鍵旋轉(zhuǎn)）的網(wǎng)絡(luò)卻會認(rèn)為它們是一致的。
CNN 就是這樣，當(dāng)不變性變得可平移（或者可轉(zhuǎn)換）時(shí)，右上角的 3 和中心的 3 當(dāng)然就是一樣的。我們希望將 CNN 的這種特性“推及”到其他架構(gòu)上。
這就對稱帶來的穩(wěn)定性，因?yàn)樵谝曈X上，許多物體其實(shí)是同一個(gè)物體，會具有“這是同一個(gè)物體，只是翻轉(zhuǎn)了一下”的 3D 幾何相似性，因此很多問題都可以基于對稱性得到解決。
而傳統(tǒng)卷積網(wǎng)絡(luò)更多地使用數(shù)據(jù)增強(qiáng)，如旋轉(zhuǎn)，平移，翻轉(zhuǎn)來補(bǔ)償這一目的。
所以，幾何深度學(xué)習(xí)希望幾何學(xué)中的“不變?nèi)骸钡母拍罘秶诺酶鼘挘尵W(wǎng)絡(luò)除了旋轉(zhuǎn)平移對稱的常規(guī)操作之外，還能囊括“不變”這種操作。
比如在一段視頻中，有兩輛小車相向而行，無論速度如何，有無遮擋，視頻的語義就是兩輛小車相向行駛。
總的來說，幾何深度學(xué)習(xí)既能使卷積網(wǎng)絡(luò)更加穩(wěn)定，也能更好地面對復(fù)雜度爆炸的擬合函數(shù)。
其他熱門提名
除了幾何深度學(xué)習(xí)這個(gè)大熱門，還有不少我們熟悉的方法也進(jìn)入了“提名”。
比如，在在評論區(qū)中被提及的次數(shù)最多的“民推之子”—— 自監(jiān)督學(xué)習(xí)。
監(jiān)督學(xué)習(xí)是目前機(jī)器學(xué)習(xí)領(lǐng)域主流的方法，而自監(jiān)督學(xué)習(xí)作為一種新的學(xué)習(xí)方法，利用輸入數(shù)據(jù)本身作為監(jiān)督信號，從未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)信息表示，幾乎有利于所有不同類型的下游任務(wù)。
在圖像分類、語言翻譯等諸多 CV 和 NLP 領(lǐng)域都是隨處可見，LeCun 也一直十分推崇這種研究方向。
▲ LeCun2018 年演講
也有人認(rèn)為表征學(xué)習(xí)和可解釋性 （interpretability）越來越受到關(guān)注。
他首先解釋道，提名表征學(xué)習(xí)是因?yàn)槔碚撋疃葘W(xué)習(xí)領(lǐng)域似乎正在經(jīng)歷一個(gè)從“規(guī)范”問題（如深度與寬度、近似理論、動態(tài)）到更抽象問題的轉(zhuǎn)變：
比如什么才是好的表示？表示的哪些屬性是重要的？如何用數(shù)學(xué)的方式定義這個(gè)概念？我們?nèi)绾螆?zhí)行它們？
可解釋性與表征學(xué)習(xí)也有一定關(guān)系：如果能夠理解什么是好的表現(xiàn)，能夠在它上面強(qiáng)加屬性，那么它就更具有可解釋性。
還有提名檢索、應(yīng)用于強(qiáng)化學(xué)習(xí)上的遷移學(xué)習(xí)、多模態(tài)以及大規(guī)模語言模型上的偏好學(xué)習(xí)的：
其中的“檢索”指的是從外部數(shù)據(jù)集中檢索信息，就像是 deepmind 近期的這項(xiàng)實(shí)驗(yàn)一樣。
這位帖主還提到，也可以利用檢索來補(bǔ)救長尾問題。
有意思的是，評論區(qū)有位提名“量子機(jī)器學(xué)習(xí)”的，引來了一位搞物理的，真誠向搞 AI 的發(fā)問：
這玩意兒是真的有用，還是只是民科？
其實(shí)在 2017 年時(shí)，圖靈獎得主姚期智就在一次演講時(shí)說過“如果能夠把量子計(jì)算和 AI 放在一起，我們可能做出連大自然都沒有想到的事情?！?/p>
這是一個(gè)量子計(jì)算和機(jī)器學(xué)習(xí)交叉的的跨學(xué)科技術(shù)領(lǐng)域，借助于量子特性開發(fā)高性能的量子機(jī)器學(xué)習(xí)算法，從而加快或拓寬人工智能的應(yīng)用場景。
不過目前還沒有影響廣泛的應(yīng)用出現(xiàn)，因此樓主謹(jǐn)慎地回復(fù)：不了解，不過好多人說這是機(jī)器學(xué)習(xí)的最新趨勢來著…….
評論區(qū)中，我們熟悉的擴(kuò)散模型、聯(lián)邦學(xué)習(xí)、差分算法、元學(xué)習(xí)也都有人提及。
等到了今年年底的時(shí)候，我們可以再挖墳，看看是不是真的有提名中了獎。
參考鏈接：
https://www.reddit.com/r/MachineLearning/comments/t04ekm/d_whats_hot_for_machine_learning_research_in_2022/
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。