机器学习研究的四大危机
极客时间编辑部
讲述：杜力大小：1.13M时长：02:28
近期，AI 顶会 ICML 在斯德哥尔摩举办了一场辩论会，专门供各家学者、研究人员积极探讨领域内技术的现状、瓶颈以及对社会的影响。
有 AI 小网红之称的扎卡里·利普顿（Zachary C.Lipton）和斯坦福研究员雅各布·斯坦哈特（Jacob Steinhardt）发表了文章，指出现在机器学习研究中的四大危机，包括混淆阐述与推测、无法明确得到较好结果的原因、数学公式堆积，以及语言误用。
尽管机器学习最近取得了一些进展，但是，这些“理想”的状态往往与现实背离。在这篇文章中，两位研究员将重点放在了以下四种模式上，这些模式在 ML 学术（schoolar-ship）中似乎是最流行的：
无法区分客观阐述和推测。
无法确定得到较好结果的原因，例如，当实际上是因为对超参数微调而获得好效果的时候，却强调不必要修改神经网络结构。
数学公式堆积：使用令人混淆的数学术语而不加以澄清，例如混淆技术与非技术概念。
语言误用，例如，使用带有口语的艺术术语，或者过多的使用既定的技术术语。
虽然这些模式背后的原因是不确定的，但是会导致社区的迅速扩张、评阅的人数不足，以及学术和短期成功衡量标准（如文献数量、关注度、创业机会）之间的不平衡。虽然每种模式都提供了相应的补救措施（但不建议这么做），但是，还是需要讨论一些关于社区如何应对这些趋势的推测性建议。
实际上，有缺陷的学术研究可能会误导大众，并阻碍学术未来的研究。这些问题有许多是在人工智能的历史（更广泛地说，是在科学研究）中循环出现的。
早在 1976 年，德鲁·德莫特（Drew Mc-Dermott）认为人工智能社区放弃了自律，并预言“如果我们不能批判自己，别人就会帮我们解决问题”。
类似的讨论在整个 80 年代、90 年代和 2008 年都曾反复出现。当今机器学习的强劲潮流，应该归功于迄今为止大量严谨的研究，包括理论研究和实证研究。
两位研究员在文章中表示，通过提高清晰明了的科学思维和交流，可以维持社区目前所享有的信任和投资。可能有人会认为这些问题能够通过自律、自我纠正来改善。这个观点虽然是正确的，但是机器学习社区需要进行反复讨论，来研究如何构建合理的学术标准以实现这种自我修正。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论