基于线性判别式的AI系统纠错：概率基础
机器学习
2019-03-01 v1 人工智能
机器学习
摘要
人工智能（AI）系统有时会出错，并且未来也会不时地出错。这些错误通常出乎意料，并可能导致严重后果。AI的深入发展及其实际应用使得错误问题更加重要。对系统进行彻底重新设计可能产生新错误，且由于所需资源未必总是可行。重要的挑战在于开发快速方法来纠正错误而不损害现有能力。我们阐述了“理想”纠错器的技术要求。此类纠错器包括二分类器，用于将高错误风险的情形与AI系统正常工作的情况分离开来。令人惊讶的是，对于本质上的高维数据，此类方法是可行的：简单的线性Fisher判别式甚至能将错误情形与正确解决的任务分离开来，即便样本呈指数级庞大。本文给出了AI系统快速非破坏性纠错的概率基础。我们证明了一系列新的随机分离定理。这些定理为遗留AI系统错误的快速非迭代纠正提供了新的工具。新方法在高维情形下变得高效，用于在高维世界中纠正高维系统（即由大型系统处理本质高维数据）。
引用
@article{arxiv.1811.05321,
title = {Correction of AI systems by linear discriminants: Probabilistic foundations},
author = {A. N. Gorban and A. Golubkov and B. Grechuk and E. M. Mirkes and I. Y. Tyukin},
journal= {arXiv preprint arXiv:1811.05321},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1809.07656 and arXiv:1802.02172