怎样让机器获得人类的认知能力？——传统机器学习方法的提升

AI涌现编译

作者：Hidetaka Taniguchi, Hiroshi Sato, Tomohiro Shirakawa

译者：李泽荃

【导读】人类在学习的过程中可以从少量样本中归纳出一个新概念。相比之下，传统的机器学习方法需要大量的数据来解决相同类型的问题。究其原因，人类拥有促进快速学习的独特的认知偏见。越来越多的研究人员已经注意到此问题，并且展开了大量的研究，就像本文提到来自于日本防卫大学的研究团队。他们开发了一种方法，将认知偏见加入模型，有效地减少了人类和机器之间的差距。

【关键词】机器学习；认知偏见；少样本数据

2018年5月9日，《Nature》在线刊登了来自于日本防卫大学Hidetaka Taniguchi等人的一项研究成果，他们将人类独有的认知偏见引入到机器的推理模型中，发现在垃圾邮件分类问题上，明显优于目前最流行的方法，如朴素贝叶斯、支持向量机、神经网络、Logistic回归和随机森林等。

机器学习已被广泛关注，并为我们日常生活提供了贡献，如自动翻译、图像识别和垃圾邮件分类等。机器学习的一个显著的方法是监督学习，它从一组标记的训练数据中归纳出概念。例如，垃圾邮件分类器使用训练数据，其形式是被标记为垃圾邮件和非垃圾邮件两类，以对新的未分类电子邮件进行分类。

通常，这些分类模型需要一个巨大的、良好平衡的样本数据集以保证预测精度。然而，在实际中，样本比例往往是偏颇的。例如，在2012的垃圾邮件中有超过90%的邮件被识别，而常见的训练数据集（如Spasasasin和LIN SPAM）仅占垃圾邮件标签数据20-30%。也就是说，真实数据更可能是不平衡的。

相反，人类可以从一个小样本和有偏差样本中推理一个新概念出来。例如，通过在动物园里第一次看到河马，一个婴儿可以获得很多关于新物体的信息：它看起来像什么，它有多大，以及区别河马和其他动物的特征。而在机器学习中，可能需要数百或数千个训练样本来处理同样的问题。此外，人类不需要大量的负样本来学习区别正样本。

近年来的研究发现，主要原因是人类的认知偏见能有效地支持概念的获取。一般概括为两种认知偏见，对称偏见和互斥偏见，可以有效地应用于机器学习任务中。

Hidetaka Taniguchi等人同时考虑了对称偏见和互斥偏见，提出了松散对称朴素贝叶斯模型（LSNB）和增强松散对称朴素贝叶斯模型（eLSNB），通过在数据集上进行测试，他们的模型与传统的机器学习模型相比，在基于小样本和有偏差样本的学习中获得了优越的性能。

本文为AI涌现原创，转载请联系本公众号获得授权。