滑鐵盧研究人員在Nature Machine Intelligence發(fā)表的一項研究中發(fā)現(xiàn),與傳統(tǒng)智慧相反,沒有確切的方法來決定是否可以通過機器學(xué)習(xí)工具成功解決特定問題。
“我們必須謹慎行事,”該研究的第一作者,滑鐵盧計算機科學(xué)學(xué)院的教授Shai Ben-David說。“有一個非常成功的工具的大趨勢,但沒有人理解他們?yōu)槭裁闯晒Γ瑳]有人能夠保證他們將繼續(xù)取得成功。
“在只需要答案是肯定或不答案的情況下,我們確切地知道機器學(xué)習(xí)算法能夠做什么或不能做什么。但是,當(dāng)談到更一般的設(shè)置時,我們無法區(qū)分可學(xué)習(xí)和不可學(xué)習(xí)的任務(wù)。”
在這項研究中,Ben-David和他的同事考慮了一種稱為估計最大值(EMX)的學(xué)習(xí)模型,它捕獲了許多常見的機器學(xué)習(xí)任務(wù)。例如,確定找到一組配送設(shè)施的最佳位置以優(yōu)化其對未來預(yù)期消費者的可訪問性的任務(wù)。研究發(fā)現(xiàn),鑒于該模型中的任務(wù),基于AI的工具是否能夠處理該任務(wù),任何數(shù)學(xué)方法都無法說明。
“這一發(fā)現(xiàn)令研究界感到意外,因為長期以來人們一直認為,一旦提供了對任務(wù)的精確描述,就可以確定機器學(xué)習(xí)算法是否能夠?qū)W習(xí)并執(zhí)行該任務(wù),”本 - 大衛(wèi)。
這項研究“可學(xué)習(xí)性可以不可判斷”,由Ben-David,捷克共和國科學(xué)院數(shù)學(xué)研究所的PavelHrubeš,普林斯頓大學(xué)計算機科學(xué)系的Shay Morgan,Amir Shpilka共同撰寫。 ,特拉維夫大學(xué)計算機科學(xué)系,以及Technion-IIT數(shù)學(xué)系的Amir Yehudayoff。