描述性統計和推論性統計那個更有說服力?
清華大學計算機系唐傑教授最近有做一個主題報告《人工智能下一個十年》,先闡述了最近快速發展的算法,並思考人工智能的未來到底是什麼?相信做AI的都會思考這樣一個問題,這東西究竟靠譜嗎?唐傑教授對未來的期望主要是說認知圖譜:
認知圖譜
對於解決複雜的邏輯推理問題,計算機可能只會找到局部的片段,仍然缺乏一個在知識層面上的推理能力,這是計算機所欠缺的。人在這方面具有先天的優勢,而計算機缺乏類似的能力。
認知圖譜的核心概念是知識圖譜+認知推理+邏輯表達。希望用知識表示、推理和決策,包括人的認知來解決問題。
圖靈獎獲得者 Yoshua Bengio
和Yann Lecun
在最近的Neurips
和AAAI
會議上也提到過的一個方法System 1
到System 2
。基本的思想是結合認知科學中的雙通道理論。在人腦的認知系統中存在兩個系統:System 1 和 System 2。System 1 :是一個直覺系統,它可以通過人對相關信息的一個直覺匹配尋找答案,它是非常快速、簡單的;而 System 2: 是一個分析系統,它通過一定的推理、邏輯找到答案。二者相輔相成。
在 System 1
中我們主要做知識的擴展,在 System 2
中我們做邏輯推理和決策。比如System 1
提供解決問題的方法,而System 2
則決策這個方法是否合理,並提供有效信息給System 1
,System 1
基於此再做知識擴展。
比如自然語言處理中,System 1
是一個直覺系統,我們用 BERT
來實現,實現了以後,我們就可以做相關的信息的匹配;System 2
就用一個圖卷積網絡來實現,在圖卷積網絡中可以做一定的推理和決策。
可以看到基於推理的算法似乎比單純的基於統計的算法更讓人興奮。事實確實如此,那更具體一點的描述會是什麼樣子的呢?
舉例說明
爲什麼說基於一定推理的統計會比單純的統計會好一點呢?或者說更偏向通用人工智能呢?
舉個例子:共有11 個罐子,標記爲, 每個罐子裏裝着10 個球。罐子 中裝着 個黑球和 個白球。小明隨機地選定罐子, 並從這個罐子中有放回地取球 次,結果 次抽到黑球, 次抽到白球。小明的朋友小紅在一旁觀看。
先求一個後驗概率分佈,看一下求解過程:
如果 次後抽到 次黑球,那麼從小紅的角度來看,小明所選罐子是的概率是多少?(注意:小紅並不知道 的數值。)
解答:其實就是要求,利用貝葉斯定理將其展開可得:
對於所有的,其邊緣概率(或者稱作的先驗概率)。
如果選定罐子,那麼抽中黑球的概率,此時(稱作的似然)可表示爲:
而是的邊緣概率,利用加法律得到如下等式:
其實就是來個某個罐子的情況除以所有的情況。在 時, 的後驗概率等於0, 因爲如果小明是從罐子0 中取球,則不可能取到黑球。 時的後驗概率也等於0, 因爲這個罐子中沒有白球。
其計算結果如下圖所示:
假定小紅在次抽取中觀察到黑球出現了 次,讓小明從同一罐子中再抽取一個球。下面抽得的球是黑球的概率是多少?
解答根據加法律,有:
因爲球是從給定的罐子中取出並放回的,所以無論和 的值是什麼,概率等於。於是有:
利用圖(2.6) 中給出的概率的值,可得:
那上述過程如果用統計的思想來做,首先選取看上去最可能的假設(在這裏,最可能的罐子是罐子), 然後假設該假設爲真,並做出預測(這會得出這樣一個結果:下一個抽得的球是黑球的概率爲0. 3) 。
而正確的預測會通過在假設 的所有可能值上進行邊緣化(marginalize) , 把不確定性考慮進去。這裏的邊緣化會給出一個更合適的、不那麼極端的預測。
可以看到,基於貝葉斯的學習算法比單純的統計學習更好一點。
參考資料
- 清華大學唐傑教授-《人工智能下一個十年》
- 《信息論、推理與學習算法》
- From System 1 Deep Learning to System 2 Deep Learning:https://drive.google.com/file/d/1zbe_N8TmAEvPiKXmn6yZlRkFehsAUS8Z/view