选自Quantamagazine作者：John Pavlus机器之心编译机器之心编辑部 ...|别再吹CNN 了：简单的区分异同都做不到( 二 ) 选自Quantamagazine

Ricci等人的研究发现，使用来自SVRT图像集中的新样例训练CNN ，辨别异同的准确率将高达75% 。但是只要以非常简单的方式修改形状（比如只是让它们变大，或者拉远它们之间的距离）， CNN的准确率就会严重下降。研究人员因此得出结论，神经网络仍然专注于特征，而不善于学习「异同」等关系概念。
去年，图宾根大学的ChristinaFunke和JudyBorowski的研究表明，将神经网络的层数从6层增加到50层可以将其在SVRT异同任务上的准确率提升到90%以上。然而，他们并没有测试这个层数增加的CNN在SVRT数据集以外的样例上性能如何。因此，该研究没有任何证据表明更深层的CNN具备概括「异同」定义的能力。

文章图片
布里斯托大学的认知科学家GuillermoPuebla和JeffreyBowers在今年早些时候进行了一项后续研究。 Puebla以人类的智能举例说：「人们一旦理解一种事物关系，就可以将它应用到任何相关事情上」，他认为CNN也应该遵守这个标准。
Puebla和Bowers使用4种不同的初始设置（其中包含Funke和Borowski使用的一些设置）在SVRT异同任务的几种变体上训练了四个CNN 。他们发现图案低级特征的细微变化（比如将形状轮廓的厚度从一个像素更改为两个像素）通常就足以让CNN的性能降低一半，从接近完美到几乎无用。
这对人工智能意味着什么？不同人有不同的回答。 Firestone和Puebla认为最近一些研究中的实验结果表明：当前的CNN缺乏基本的推理能力，并且无法通过添加更多数据或设计更精巧的训练来解决这个问题。 Puebla表示：「尽管CNN越来越强大，但它不太可能解决辨别异同的问题。也许引入其他方法能够解决，而只依靠CNN自己则无望。」
Funke同意Puebla的结论。但她建议：「声称深度卷积神经网络无法学习一个概念要非常谨慎。」DeepMind研究员Santoro表示同意：「缺乏证据并不代表着证据不存在，神经网络历来如此。」Santoro指出：神经网络在数学上已被证明能够在原则上逼近任何函数，并说道：「研究人员在这方面需要做的就是确定函数所需的实际条件。」
Ricci则认为：让任何机器学会辨别异同都需要在对学习本身的理解上取得突破。人类幼崽玩一次游戏就能够区分异同，不需要长期训练。鸟类、蜜蜂和人类都可以通过这种方式学习，除了辨别异同，还有许多认知任务也是如此。 Ricci说：「我认为在弄清楚如何从少量样本和新数据样本中学习之前，很多问题都不能完全解决。」
原文链接：https://www.quantamagazine.org/same-or-different-ai-cant-tell-20210623/
【选自Quantamagazine作者：John Pavlus机器之心编译机器之心编辑部 ...|别再吹CNN 了：简单的区分异同都做不到】来源：机器之心Pro