文献阅读的综述报告

《文献阅读的综述报告》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、为了适应公司新战略的发展，保障停车场安保新项目的正常、顺利开展，特制定安保从业人员的业务技能及个人素质的培训计划文献阅读的综述报告　　文献阅读综述报告　　学号：　　学　　XX年10月21日填　　摘要人类善于仅凭单个例子对新概念和经验进行推理。特别是，人类拥有单次泛化的能力：遭遇新概念，理解其结构，然后生成这个概念的有意义的变型。大多数先进的机器学习算法都是数据饥渴的，怎么让人工智能拥有这方面的能力最近受到人们广泛关注，本文系统概述了单点泛化算法的研究进展，首先介绍了本课题的背景与意义其次介绍了研究进展，然后介

2、绍了两种单点泛化算法，包括基于贝叶斯程序算法和基于深度学习与近似贝叶斯推断的推测能力结合的算法，最后提出单点泛化算法中需要进一步改进的问题　　关键字：深度学习，单点学习，生成模型，贝叶斯，深度无向图模型　　一、课题研究背景与意义目的-通过该培训员工可对保安行业有初步了解，并感受到安保行业的发展的巨大潜力，可提升其的专业水平，并确保其在这个行业的安全感。为了适应公司新战略的发展，保障停车场安保新项目的正常、顺利开展，特制定安保从业人员的业务技能及个人素质的培训计划　　尽管在人工智能和机器学习上有显著的进展，但是

3、在机器系统中有两个人类概念知识方面没有解决、第一、对于许多有趣的自然和人造种类人类善于仅凭单个例子对新概念和经验进行推理，然而机器学习需要成千上百个例子发现相似性。甚至小孩能通过单点学习[1]做出有意义的推断。相反许多先进的机器学习方法是数据饥渴的，尤其是在图像和语言识别上有突破进展的深度学习模型[2-7]。显然数据越多其效果相对就会越好，但是若没有大数据怎么办?何况人类的知识也是一点点积累的，对于人类来说，即便没有积累，没有相应的专业知识，实际上我们也能“照猫画虎”。从这点上来看，以深度学习为核心的人工智能

4、就远远不及人类，因为人类面对陌生环境依然能够　　通过学习做出适应变化。因此“类人概念学习”首先就要解决深度学习的这种弊端，即不依赖大数据也能进行自我学习。机器学习的核心挑战是解释以下两方面的人类概念层次的学习：人类怎么从很少的例子学习新的概念，人类怎么学习抽象，丰富和灵活的模型表示。结合这两方面提出：如何学习稀少数据并且产生丰富的表示。在这方面的研究如果得到突破，可以极大的提升机器学习的效率。　　二、国内外研究现状　　早在1950年图灵就提出过隔墙对话的概念，用电脑模拟人脑和人进行对话，人们不清楚到底是和人还

5、是电脑在交谈。这种设想将计算机完全智能化，期望值太高，在以后的几十年里，人工智能的发展远远没有达到预想的效果。人们开始怀疑人工智能[8]可望不可及，相关的研究领域是“伪科学”。目的-通过该培训员工可对保安行业有初步了解，并感受到安保行业的发展的巨大潜力，可提升其的专业水平，并确保其在这个行业的安全感。为了适应公司新战略的发展，保障停车场安保新项目的正常、顺利开展，特制定安保从业人员的业务技能及个人素质的培训计划　　Fei-FeiLi[9]提出用生成对象分类模型和变分贝叶斯框架从很少的数据中表示和学习视觉对象。

6、　　Salakhutdinov(XX)[10]等人发展了一个结合了玻耳兹曼机和等级狄利克雷过程的概率模型，可以学习层级概念类别，并且提供了强大的生成模型。　　Google的Graves[11]等人提出的神经图灵机，通过引入一个使用注意力程序进行交互的外部存储器来增强神经网络的能力。新系统可以与图灵机或者冯·诺依曼体系相类比，但每个组成部分都是可微的，可以使用梯度下降进行高效训练。目的-通过该培训员工可对保安行业有初步了解，并感受到安保行业的发展的巨大潜力，可提升其的专业水平，并确保其在这个行业的安全感。为了适

7、应公司新战略的发展，保障停车场安保新项目的正常、顺利开展，特制定安保从业人员的业务技能及个人素质的培训计划　　初步的结果显示神经网络图灵机能够从输入和输出样本中推理出简单的算法，如复制、排序和回忆。Google的AdamSantoro等人[12]提出了新的存储读写更新策略，架构通过加入可读写的外部存储器层，实现用极少量新观测数据就能有效对模型进行调整，从而快速获得识别未见过的目标类别的元学习能力，也就是可以利用极少量样本学习。Lake(XX)等人[13]通过风格和内容的分离，利用贝叶斯规划学习实现了单点泛化，

8、并在简单图像分类取得误差%和图灵视觉测试识别率52%的成绩，把贝叶斯规划学习所具有的单点泛化能力视为“神经网络模型的一大难题”。Google的DaniloJ.Rezende等人[14]通过把长短期记忆深度神经网络嵌入到层级隐变量模型，并与近似贝叶斯推断的推测能力结合，表明这个问题是可以克服的。得到的深度生成模型是一般性的图像模型，准确且可规模化，并且具有重要的单点泛化能力，可是失去了单点学习能力。