机器学习系统也许是聪明,但他们有很多发现。
创新的研究人员与美国国防部高级研究计划局希望获得优越的机器学习系统了新项目叫做终生学习机器(L2M)作为其首要目标,开发新一代机器学习技术,学习新的情况和应用,学习成为更好、更可靠的比目前的约束系统。
+更多网络世界:足球竞猜app软件美国国防部高级研究计划局加强早期预警系统对电力网络的网络攻击+
“生活是不可预测的定义。程序员不可能预见每一个问题或可能出现的意外情况,这意味着现有的ML系统仍然容易失败,因为他们遇到的违规行为和不可预测性现实世界的情况下,“哈瓦Siegelmann L2M项目经理在一份声明中说。“今天,如果你想延长机器学习系统的能力来执行一种新的情况下,你需要的系统服务和培训与新形势下的附加数据集相关。这种方法不是可伸缩的。”
机器学习方法具有出众的最新进展;因此,AI系统现在可以发现在各种应用程序中,包括自驾车辆、工业应用、搜索引擎、电脑游戏、健康记录自动化、和大数据分析。然而,今天的AI只能运行在非常精心策划,严格描述的特定环境和一个广泛的训练集的条件将发生在执行期间,DARPA表示。
+更多网络世界:足球竞猜app软件Gartner:算法技术专利是激烈的+
四年L2M计划旨在改变这一切的发展关注两个技术领域。第一个技术领域探索算法、理论建模、分析、软件、和架构,实现了持续学习的新方法。它还将追求健壮性和安全性通过设置限制系统行为和允许用户监控系统的行为和演化和根据需要进行干预,DARPA表示。这个想法是为了不断应用经验的结果,“经验教训”适应新数据或情况。发展的同时,它调用的技术监督机器学习系统的行为,设置限制了其适应能力的范围,根据需要和干预系统的功能,DARPA说。
第二个技术将特别关注生命系统如何学习和适应,将考虑是否和如何将这些原则和技术应用于机器学习系统。这里所谓DARPA小说将验证算法实现的方法是第一个技术领域的一个组成部分,终身学习系统或其他建议应用程序。在技术领域的研究2是可能需要集成的计算机科学领域与其他领域的自然如,生物和化学。来自自然界的概念可能包括但不限于:机制不断发展的网络;内存稳定自适应网络;目标驱动的行为机制和学习规则和可塑性机制。
“让计算机学习甚至从经验中最简单的事情一直但难以捉摸的目标,“Siegelmann说。“那是因为今天的电脑是专门为预编程序无法适应,因为他们执行,一个模型,并没有改变自英国博学的阿兰·图灵发达最早在1930年代计算机。L2M呼吁一个新的计算模式。”
看看这些其他热的故事:
美国国防部高级研究计划局加强早期预警系统对电力网络的网络攻击