深度神经网络中的捷径学习
计算机视觉与模式识别
2023-11-22 v5 人工智能
机器学习
神经元与认知
摘要
深度学习引发了当前人工智能的兴起，并是当今机器智能的主力。众多成功案例已迅速遍及科学、工业与社会，但其局限性直至最近才受到关注。在本观点文章中，我们试图梳理深度学习的诸多问题如何可被视作同一潜在问题的不同表征：捷径学习。捷径是那些在标准基准上表现良好、却无法迁移至更具挑战性的测试条件（如真实场景）的决策规则。相关问题在比较心理学、教育学与语言学中亦有认知，表明捷径学习可能是生物与人工等各类学习系统的共同特征。基于这些观察，我们提出一组关于模型解释与基准测试的建议，并强调机器学习中旨在提升从实验室到真实应用鲁棒性与可迁移性的最新进展。
引用
@article{arxiv.2004.07780,
title = {Shortcut Learning in Deep Neural Networks},
author = {Robert Geirhos and Jörn-Henrik Jacobsen and Claudio Michaelis and Richard Zemel and Wieland Brendel and Matthias Bethge and Felix A. Wichmann},
journal= {arXiv preprint arXiv:2004.07780},
year = {2023}
}
备注
perspective article published at Nature Machine Intelligence (https://doi.org/10.1038/s42256-020-00257-z)