2019年中國人工智能大會（Chinese Congress on Artificial Intelligence 2019，簡稱“CCAI 2019”）將于9月21日-22日在青島膠州召開。加拿大滑鐵盧大學教授Shai Ben-David將出席大會并發(fā)表演講。

Shai Ben-David教授的研究興趣涉及計算機科學及其應用基礎理論，特別是在統(tǒng)計和機器學習方面有很多的研究。他一直在探索如何為一些十分流行的機器學習和數(shù)據(jù)挖掘范式提供理論基礎，用數(shù)學公式加深我們對這個世界的理解。

機器學習的可學習性如何判定？

在業(yè)界，近些年來機器學習在人機對弈、語音識別、圖像識別等場景下取得了蓬勃發(fā)展，引發(fā)了人們對人工智能改造未來社會的無限熱情和期待。但在學界，卻有不少科學家指出了機器學習的發(fā)展局限。而Shai Ben-David探索的就是這樣一個機器學習的本質問題：我們能不能判定人工智能的可學習性？

長久以來，我們一直認為只要給定了對學習任務的一個精準的描述，我們就可以去判定一個機器學習算法能否進行學習并執(zhí)行這個任務。但Shai Ben-David通過研究給出一個驚人的答案：不一定！這項成果近期被發(fā)表了Nature Machine Intelligence一刊上。

他指出，如果一個問題只需要“是”或“否”的回答，我們還是可以確切地知道這個問題可否被機器學習算法解決。但是，一旦涉及到更一般的設置時，我們就無法區(qū)分可學習和不可學習的任務了。

存在無法用數(shù)學來證明或反駁的機器學習問題

在機器學習中，對于面部識別或推薦引擎等非線性可判斷問題，在定義機器學習的可學習性時，我們通常是要求這個機器學習模型是一族函數(shù)中的預測性能最佳的。于是，我們一般會通過維度分析的方式來解釋一個模型的可學習性。而在這項研究中，Shai Ben-David等人設計了一個機器學習問題EMX(Estimating the Maximum)。

舉個實際的例子來說，你希望在網(wǎng)站上投放廣告，并最大限度地讓這些廣告有更大目標觀眾數(shù)量。你有向面向不同的年齡段的用戶的不同的宣傳廣告，但你不知道誰會訪問這個網(wǎng)站，也不知道年齡分布。你如何選擇一組廣告，最大限度地增加你的目標觀眾數(shù)量？這就是一個現(xiàn)實的EMX問題。

在他的工作中，結果表明，EMX問題的解等價于連續(xù)統(tǒng)假設，即只有在連續(xù)統(tǒng)假設成立的情況下，EMX問題才是可解決的。這意味著，“人工智能是否具有可學習性？”這個問題的答案和連續(xù)統(tǒng)假設一樣不可知。

但進一步研究發(fā)現(xiàn)，產(chǎn)生這一結論的根源在于將可學習性定義為學習函數(shù)的存在性，而不是學習算法的存在性。與算法的存在相比，函數(shù)在無限域上的存在是一個微妙的問題。他的工作表明，當涉及到更一般的學習類型時，這種關于可學習性的集合論觀點代價很高。

結語

對于目前深度學習技術得到廣泛應用的狀況，Shai Ben-David教授也提出了自己的看法：“我們必須謹慎行事，現(xiàn)在有一種大趨勢，人們只關注于應用一個成功的工具，但是很少有人去關注為什么它會成功以及沒有理論保證它們會繼續(xù)取得成功?！?/p>