模型驅動深度學習的標準流程與學習方法解析

概要：近年來，深度學習在人工智能領域一系列困難問題上取得了突破性成功應用。

模型驅動的深度學習方法

近年來，深度學習在人工智能領域一系列困難問題上取得了突破性成功應用。例如用于人臉識別已高于人的正確識別率、用于語音識別與機器翻譯已接近達到同聲翻譯和‵講完稿出＇的水平、用于圍棋競賽已達到完勝人類世界冠軍的水平、用于一些疾病的診斷巳能與中、高級專業(yè)醫(yī)師水平匹敵。現(xiàn)在，深度學習技術在信息科學各領域已無處不在、并正成為各自領域的標準方法。

盡管深度學習取得重大進展，但人們對人工神經(jīng)網(wǎng)絡拓撲與性能的對應關系仍然缺少理論上的認知，網(wǎng)絡拓撲選擇目前還是一項工程技術而并沒有成為科學。這直接導致了現(xiàn)有深度學習多半是缺少理論基礎的啟發(fā)式方法。設計難、解釋難、結果不可預知已成為深度學習公認的缺撼。

《國家科學評論》最近發(fā)表了西安交通大學數(shù)學與統(tǒng)計學院徐宗本院士、孫劍教授撰寫的“Model-driven deep learning”的觀點文章（National Science Review, 2017,https://doi.org/10.1093/nsr/nwx099）。這篇文章嘗試解決深度學習的網(wǎng)絡拓撲選擇問題，目的是實現(xiàn)可設計、可解釋以及結果可預期的深度學習方法。文章提出一種模型驅動與數(shù)據(jù)驅動相結合深度學習方法。眾所周知，深度學習是一種標準的數(shù)據(jù)驅動型方法，它將深度網(wǎng)絡作為黑箱依賴于大量數(shù)據(jù)解決現(xiàn)實問題；而模型驅動方法則是從目標、機理、先驗出發(fā)首先形成學習的一個代價函數(shù)，然后通過極小化代價函數(shù)來解決問題。模型驅動方法的最大優(yōu)點是只要模型足夠精確，解的質量可預期甚至能達到最優(yōu)，而且求解方法是確定的，但模型驅動方法的缺陷是在應用中難能精確建模，而且對建模的精確性追求通常只能是一種奢望。

模型驅動深度學習方法有效結合了模型驅動和數(shù)據(jù)驅動方法的優(yōu)勢，文章中給出了模型驅動深度學習的標準流程:(1)根據(jù)問題，建立模型族(Family of Models);(2)根據(jù)模型族，設計算法族(Family of Algorithms)并建立算法族的收斂性理論;(3)將算法族展開(unfold)成深度網(wǎng)絡并實施深度學習。文中還介紹了課題組研究并實踐的一系列模型驅動與數(shù)據(jù)驅動結合的深度等習方法，展現(xiàn)了該方法在解決實際問題上的有效性。