（文章來源：教育新聞網(wǎng)）

RIKEN高級智能項目中心(AIP)的研究團隊成功開發(fā)了一種新的機器學(xué)習(xí)方法，該方法可讓AI在沒有所謂“負數(shù)據(jù)”的情況下進行分類，這一發(fā)現(xiàn)可能導(dǎo)致更廣泛地應(yīng)用于機器人。各種各樣的分類任務(wù)。

對事物進行分類對于我們的日常生活至關(guān)重要。例如，我們必須檢測垃圾郵件，偽造的政治新聞以及諸如物體或面孔之類的平凡事物。使用AI時，此類任務(wù)基于機器學(xué)習(xí)中的“分類技術(shù)”-讓計算機使用分隔正負數(shù)據(jù)的邊界進行學(xué)習(xí)。例如，“正”數(shù)據(jù)將是包含笑臉的照片，而“負”數(shù)據(jù)將包含笑臉的照片。一旦學(xué)習(xí)了分類邊界，計算機就可以確定某個數(shù)據(jù)是正還是負。這項技術(shù)的難點在于，學(xué)習(xí)過程需要正負數(shù)據(jù)，而且在許多情況下都無法使用負數(shù)據(jù)(例如，很難找到帶有“

在現(xiàn)實生活中，當(dāng)零售商試圖預(yù)測誰將進行購買時，可以很容易地找到從他們那里購買的顧客的數(shù)據(jù)(正數(shù)據(jù))，但是從根本上不可能獲得沒有購買的顧客的數(shù)據(jù)。向他們購買(負數(shù)據(jù))，因為他們無權(quán)訪問競爭對手的數(shù)據(jù)。另一個示例是應(yīng)用程序開發(fā)人員的一項常見任務(wù)：他們需要預(yù)測哪些用戶將繼續(xù)使用該應(yīng)用程序(肯定)或停止使用(否定)。但是，當(dāng)用戶退訂時，開發(fā)人員會丟失用戶的數(shù)據(jù)，因為他們必須根據(jù)隱私策略完全刪除有關(guān)該用戶的數(shù)據(jù)以保護個人信息。

RIKEN AIP的主要作者Ishida Takashi表示：“以前的分類方法無法應(yīng)對無法獲得負面數(shù)據(jù)的情況，但是只要我們有信心分數(shù)，我們就可以使計算機僅學(xué)習(xí)正面數(shù)據(jù)成為可能。從購買意向或應(yīng)用程序用戶活躍率等信息構(gòu)建的積極數(shù)據(jù)。使用我們的新方法，我們可以讓計算機僅從具有信心的積極數(shù)據(jù)中學(xué)習(xí)分類器?！?/p>

Ishida與來自其小組的研究人員Niu Gang以及團隊負責(zé)人Masashi Sugiyama一起建議，通過添加置信度得分讓計算機很好地學(xué)習(xí)，置信度得分在數(shù)學(xué)上對應(yīng)于數(shù)據(jù)是否屬于陽性類別的概率。他們成功地開發(fā)了一種方法，該方法可以使計算機僅從正向數(shù)據(jù)和有關(guān)其置信度(正可靠性)的信息中學(xué)習(xí)分類邊界，而不會對正向和負向劃分數(shù)據(jù)的機器學(xué)習(xí)分類問題進行學(xué)習(xí)。

為了查看系統(tǒng)的運行狀況，他們在包含各種時尚標簽的一組照片上使用了該系統(tǒng)。例如，他們選擇“ T恤”作為肯定類別，并選擇另一個項目(例如“涼鞋”)作為否定類別。然后，他們在“ T恤”照片上加上了置信度得分。他們發(fā)現(xiàn)，在某些情況下，無需訪問負面數(shù)據(jù)(例如“涼鞋”照片)，他們的方法與使用正面和負面數(shù)據(jù)的方法一樣好。

根據(jù)Ishida的說法，“這一發(fā)現(xiàn)可以擴大使用分類技術(shù)的應(yīng)用范圍。即使在積極使用機器學(xué)習(xí)的領(lǐng)域中，我們的分類技術(shù)也可以用于新情況下，由于數(shù)據(jù)的緣故，只能收集正面數(shù)據(jù)法規(guī)或業(yè)務(wù)限制。我們希望在不久的將來將我們的技術(shù)用于各種研究領(lǐng)域，例如自然語言處理，計算機視覺，機器人技術(shù)和生物信息學(xué)?！?/p>

（責(zé)任編輯：fqj）