MIT提出Liquid机器学习系统

他指出，视频处理、金融数据和医疗诊断应用都涉及到时间序列，而且这些应用对我们的社会至关重要。这些不断变化的数据流的变化情况难以预测。但是，如果能够实时地分析这些数据，并将它们用于预测未来的行为，那么就能极大促进自动驾驶等技术的发展。

Hasani 等研究者设计了一种能适应实时世界系统的变化的神经网络。神经网络的设计灵感来自生物大脑，而 Hasani 说他们的这种特定神经网络的设计灵感直接来自秀丽隐杆线虫（C. elegans）。他说：「它的神经系统仅有 302 个神经元，但却可以产生超出预期的复杂动态。」

通过仔细观察秀丽隐杆线虫的神经元的激活方式以及彼此通过电脉冲通信的方式，Hasani 编码出了他的神经网络。在其用于构建神经网络的方程式中，参数可基于一组嵌套的微分方程的结果而随时间变化。这种灵活性是其中的关键。在训练阶段之后，大多数神经网络的行为都会固定下来，这意味着它们难以根据输入数据流的变化而进行调整。Hasani 说他的Liquid 网络的流动性使其能更弹性地应对意料之外的数据或噪声数据，比如滂沱的暴雨遮蔽了自动驾驶汽车的摄像机视野。「也就是说，它更加鲁棒。」

Hasani 并补充道网络灵活性还有另一大优势：「它也更能被解释。」

Hasani 说他的Liquid 网络规避了其它神经网络常见的难解性。「只是改变神经元的表征方式，你就可以探索以其它方式无法探索的某种程度的复杂性。」Hasani 采用的改变方式是使用微分方程。得益于这种数量少但却具有高度表征能力的神经元，可以更轻松地窥探网络决策过程的「黑箱」并诊断网络为何具有某种特定的特征。

Hasani 说：「这个模型本身具有丰富的表现力。」这能够帮助工程师理解和提升 Liquid 网络的性能。asani 的网络在一系列测试中都取得了出色表现。在从大气化学到交通模式分析等多种任务中，新提出的方法在预测未来值方面的表现优于其它当前最佳时间序列算法几个百分点。此外，由于该网络尺寸小，因此在测试的计算成本也低得多。「每个人都在谈扩大他们的网络」，Hasani 说，「我们想的是缩小，以便获得更少但更丰富的节点。」

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!