专访 | 清华大学朱军：深度学习“盛行”，传统方法何去何从？

正文

请到「今天看啥」查看全文

因此，学术界和工业界都应该更客观地看待深度学习，它的优点可以与其他机器学习方法共融，比如已经取得很多进展的贝叶斯深度学习、深度产生模型（如GAN）等。同时，它的缺点也需要从其他方向寻求改善，比如：我们最近从信息论的角度出发，设计了一种新的训练准则和测试准则，可以显著提升深度神经网络（如CNN,VGG,ResNet）对对抗样本的鲁棒性；另外，我们与清华大学的刘世霞老师合作，研制了CNNVis和DGMTracker可视化系统，它们综合利用了信息可视化与图形学的工具，对深度模型的学习过程进行解释，帮助调试。

CSDN：对于“有了生成模型之后，引入深度学习就能解决统计学习的核心问题（如模型复杂度的选择、泛化性能的理论保证、学习效率等）”的观点你怎么看？

朱军： 这个问题也要从两个方面来看待：

• 首先，生成模型通常要引入假设，在假设符合实际的情况下，这种模型是最优的，可以提升学习效率和泛化性能。

• 其次，也是因为假设，如果假设不符合实际，这种模型可能带来偏差。实际应用中，还需要对模型进行检验。

CSDN：去年参加CCAI 2016的AAAI主席Rao Kambhapati认为中国学者基本都在研究机器学习，范围有点窄，你是否认同中国人工智能研究存在这样的误区？除了机器学习之外，还有哪些领域或者哪些问题是值得我们关注的？

朱军： 机器学习受到很多关注是有一定道理的。作为实现现代人工智能的主要技术途径（之一）， 机器学习的目标是从经验数据中不断改善性能，它的作用在大数据时代变得更加明显。 目前，机器学习已经成为很多应用领域的首选技术方案。

但是，人工智能的其他方向也同样重要，而且在国内也正在受到很多的关注，比如自然语言理解、模式识别、知识工程、机器人，甚至是从脑科学寻求启发的尝试等。目前，可能是因为机器学习已经融入到这些方向中，才给人一种“到处都是机器学习”的感觉。但是，每种方法都有优点和缺点，学术界和工业界都需要鼓励多样性。比如：数据驱动的方法（如深度学习）往往需要大量的训练数据，而知识驱动的方法（如贝叶斯方法）可以在小样本下进行有效学习，二者具有互补的优势，它们的有机融合是当前的一个热点。

关于珠算平台

CSDN：请谈谈你近期的研究课题和进展，以及目前关注的研究和应用情况。

朱军：

请到「今天看啥」查看全文