第123期 HackCV 日报

目前的机器学习模型都是从大量的数据中泛化出通用的模式,进而对没见过的数据进行预测,而这是与符号程序不同的地方。符号程序可以推理。一个例子就是机器学习可以从数据中学习到4<5,5<6,如果没有数据表示4<6,那这个模型是无法得知4<6,而符号模型可以很简单的推理出4<6,Deepmind的研究人员构建了一个结合了两者能力的学习模型,不仅有良好的泛化能力,还有推理的能力。

ROC曲线是对机器学习模型性能的可视化和可释化,作者提出对机器决策的性能有三个待考察的因素:专业性、偏差和输出的平衡性。其中,输出的平衡性是数据的特征,是不可控的;而可控的是偏差和专业性,即使用更多更好的数据来训练。ROC曲线可以很好的表示专业性,但无法表示另外两种因素。因此,作者提出的观点是,至少使用两个表示不同因素的评价准则,以此更好的刻画模型的性能指标。

作者以自己曾经构建光学透镜的经历作为深度学习模型结构的类比,以此来构建一个可感知的模型,从而可以更好的理解深度学习模型,指导调参。