科技工作者之家
科技工作者之家APP是专注科技人才，知识分享与人才交流的服务平台。
现代科学产生了海量数据，超过了人类本身的处理能力。这也是为何科学家通常需要依赖某些计算方法——比如机器学习。它是专门处理大数据的人工智能。
实际上，机器学习在今天随处可见，甚至被Spotify和Netflix用来预测用户的媒体喜好。但有一个问题：传统的机器学习方式（比如深度学习）侧重于分类和统计相关性，非常适合用于识别和对比音频和图像中的模式，但它们并不十分擅长发现这些模式最初是如何生成的。
换句话说，理解这些所谓的生成机制就是动态性因果关系，这是所有科学领域都面临的一大根本挑战。从解码复杂生物细胞背后的DNA构成，到发现空气温度和湿度差异如何形成雷暴，这类任务需要的是推断或推理能力，大多数人工智能都不具备这种能力。
为了解决这一挑战，一群科学家正在开发一种革命性的全新机器学习方式，他们称之为“算法生成模型的因果反卷积“，大概意思是通过分解复杂互联的数据集，寻找其背后的生成机制或代码，其目的在于发现促使数据集生成的背后的单个算法。
从某种意义上说，就是把自然现象看作计算机程序，生成观察数据的过程。
我们可以通过视觉类比来理解。比如。桌子上有几个物体。我们用布把它们盖住，就得到了一个独特的三维地形，其中包含了大量数据。有些数据与下面的物体有关，有些则无关。
现代机器学习基于经典统计学，擅长通过比较特征来识别对象，比如将所涉对象的形状与之前见过的例子进行对比。但它无法告诉我们底下的对象是如何形成的。而新方法的目标则是先判断出地形的哪些部分属于不同对象——这个过程叫做去卷积；再通过分析它们可能的生成方式，完成识别。
要做到这一点，需要对大量可能的咖啡杯、帽子或书的生成算法进行测试，并计算它们会如何影响桌布布置。与传统机器学习不同的是，新方法先推断出对象可能的生成方式，再与观察数据进行匹配。
开发这个方法不仅仅是为了研究虚构的恐龙，也希望能帮助科学家破解遗传学和细胞生物学等领域的动态性因果关系——比方说，理解癌症背后复杂的基因间相互作用。
因为这个方法摆脱了简单的分类，而更接近因果问题分析。由此带来的新见解和新模型有助于我们理解隐藏在观察数据背后的基础机制。随着机器智能的进一步发展，研究人员可能会更加依赖这些更偏向科学家思维（而不是机器思维）的人工智能。
点击“阅读原文”阅读相关研究论文
来源：Nature-Research Nature自然科研
原文链接：https://mp.weixin.qq.com/s?__biz=MzAwNTAyMDY0MQ==&mid=2652558366&idx=2&sn=379144c48034ee82e28ede9782d3a9e3&scene=0#wechat_redirect
版权声明：除非特别注明，本站所载内容来源于互联网、微信公众号等公开渠道，不代表本站观点，仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。
电话：（010）86409582
邮箱：kejie@scimall.org.cn
微信
科技工作者之家
京公网安备11010202008424号
