文章插图
通过先建立基础概念，然后微调权重以获取更困难的数据样本，这种渐进式难度学习可能比传统的学习方法更有效 。这个想法依赖于组成模型框架，它由通过逻辑流程链接的两个或多个子模型组成 。
应该注意的是，成分学习与整体方法有所不同，因为a）成分学习中的模型执行不同的任务，并且b）基于上下文的关系是成分学习的关键部分，整体方法中不存在这种关系 。
成分学习比标准建模困难得多，后者需要选择正确的算法并准备数据 。在组合系统中，有无数种方法可以构造每个模型之间的关系，而所有方法都取决于上下文 。从某种意义上说，构建成分学习模型是一门艺术 。确定使用哪种类型的模型以及之间的关系需要额外的编码，创造性思维以及对模型本质的基本理解，但是在处理AI在2020年及未来需要解决的复杂问题时，这将带来巨大的回报 。
人工智能的未来在于成分学习 。
(本文翻译自Andre Ye的文章《Compositional Learning is the Future of machine Learning》，参考：
https://medium.com/swlh/compositional-learning-is-the-future-of-machine-learning-22b56ad09edc)
【成分学习是机器学习的未来】
推荐阅读
- 电脑总是弹出乱七八糟的广告？跟我学，让你从此告别弹窗广告
- 茶叶冲泡有讲求,泡壶好茶是有许多讲求发挥出茶中固有的色香和昧
- 茶艺享受的是时间,茶艺根据不同的原则和方法的分类
- 大红袍的产地,名茶大红袍的产地是哪
- svchost占用内存过高是怎么回事
- 我终于搞清了啥是HTTPS了
- 终于有人把最适合学习算法的书单找出来了，面试必备
- 最认主人的狗排名是怎样的？
- 捕斑鸠鸟最好的方法是什么？
- 吉祥生肖指哪个生肖？