自导向机器学习
机器学习
2022-01-11 v2 人工智能
摘要
传统机器学习（ML）严重依赖机器学习专家的人工设计来决定学习任务、数据、模型、优化算法和评估指标，这耗费人力、耗时，且无法像人类一样自主地学习。在教育学中，自我导向学习（即人类学习者在无手把手指导的情况下自行选择学习任务和材料）已被证明比被动的教师引导学习更有效。受自我导向人类学习概念的启发，我们引入了自导向机器学习（SDML）的核心概念并提出了 SDML 框架。具体而言，我们将 SDML 设计为由自我意识（包括内部意识和外部意识）引导的自我导向学习过程。我们提出的 SDML 过程借助自我意识，在无人类指导的情况下受益于自我任务选择、自我数据选择、自我模型选择、自我优化策略选择和自我评估指标选择。同时，SDML 过程的学习性能作为反馈以进一步改进自我意识。我们基于多级优化给出了 SDML 的数学表述。此外，我们给出了案例研究及 SDML 的潜在应用，并讨论了未来研究方向。我们期望 SDML 能使机器进行类人的自我导向学习，并为通用人工智能提供新视角。
引用
@article{arxiv.2201.01289,
title = {Self-directed Machine Learning},
author = {Wenwu Zhu and Xin Wang and Pengtao Xie},
journal= {arXiv preprint arXiv:2201.01289},
year = {2022}
}
备注
14 pages, 5 figures