“人工智能通过新的框架成为终身学习者”

美国陆军的项目开发了一种新的深度神经网络框架，使人工智能系统能够更好地学习新的任务，而忘记了在以前的任务中所学到的东西。

由陆军支援的北卡罗莱纳州立大学的研究者也说明了利用该框架学习新的任务，ai可以更好地完成以前的任务。 这种现象称为后向传播。

陆军应该做好准备在世界任何地方进行战斗。 因为那个智能系统也需要准备。 陆军研究室智能系统项目经理mary anne fields博士说，他是美国陆军作战能力快速发展司令部的一员。 陆军研究室。 我们希望陆军的智能系统能够不断获得新的技能。 因为他们已经不忘记训练过的技能在世界各地的战场上执行任务。 例如，在进行城市操作时，轮式机器人可以学习密集城市的新导航参数城市，但在森林这种以前遇到的环境中，需要更有效地发挥作用。

研究小组提出了学习成长的新框架，用于持续学习，将网络结构学习和模型参数学习分开。 实验测试优于透明的持续学习方法。

深度神经网络人工智能系统是为学习狭窄的任务而设计的，这篇论文的共同主要作者和博士生李立说。 北卡罗来纳州的候选人。 因此，在学习新任务时，有可能发生以下任一情况，系统在学习新任务时会忘记旧任务，这被称为灾难性遗忘。 系统可能会忘记您对旧任务的了解，而不是添加新任务或允许您修复旧任务。 这样会限制改进，导致人工智能系统过大，无法有效工作。 持续学习也称为终身学习或学习-学习，试图解决这个问题。

要学习成长的框架，请把深层神经互联网想象成充满多层的管道。 原始数据位于管道的顶部，任务的输出显示在底部。 管道中的每个层都是操作数据的计算，以使互联网能够完成任务，例如识别数字图像中的对象。 有多种在管线上放置层的方法，这些方法支持不同的internet体系结构。

当要求深度神经互联网学习新的任务时，学习成长框架首先通过探索进行被称为优化显式神经架构的东西。 这意味着当互联网进入系统的所有层时，它可以决定做以下四件事之一: 使用与以前跳过层的任务相同的方法使用层。 将轻型适配器连接到层上，然后稍作更改。 或者创建一个新层。

此体系结构优化有效地列出了完成新任务所需的最佳拓扑结构或一组层次结构。 完成后，互联网将像其他深度学习ai系统一样，使用新的拓扑结构来训练任务的完成方式。

李先生说，我们用多个数据集进行了实验，发现新任务越像以前的任务，在保存执行新任务的现有层次上，重复越多。 更有趣的是，通过优化或学习的拓扑，为完成新任务而训练的互联网几乎不会忘记执行旧任务所需的副本，即使这些任务不相似。

研究人员还将学习成长框架学习新任务的能力与其他几种持续学习方法进行了比较，发现学习成长框架在完成新任务时具有更高的准确性。

为了在学习新任务时测试各个互联网有多遗忘，研究人员随后测试了各个系统在执行旧任务时的正确性。 同时，学习成长框架比其他互联网要好。

在某些情况下，学习成长的框架实际上在执行旧的任务方面更好。 作为salesforce research的研究负责人，该公司的共同经营者caiming xiong这样说道。 这被称为向后移动，当我们发现学习新任务可以更好地解决旧任务时就会发生。 我们一直在让人们看到这种情况； 和ai没有关系。

菲尔兹先生作了如下陈述。 陆军的投资扩展了目前最先进的机器学习技术，这些技术将指导我们陆军研究实验室的研究人员开发智能机动和通过学习识别新物体等机器人应用。 这项研究使人工智能更接近于为我们的战斗人员提供可以部署到现场的较为有效的无人系统。

该论文学会的成长:克服灾害遗忘的持续结构学习框架将于6月9日至15日在加州长滩召开的第36届机器学习国际会议上发表。 这篇论文的共同第一作者是天福武博士、北卡罗来纳州电气与计算机工程助理教授、北卡罗来纳州立大学博士生李希来和salesforce research的周颖波。 这篇论文是salesforce research的richard socher和caiming xiong共同写的。

这项工作也得到了国家科学基金会的支持。 有些工作是在李是salesforce ai research暑期实习生时完成的。

本文：《“人工智能通过新的框架成为终身学习者”》