科创中国

行业领域

新一代信息技术产业,人工智能,互联网与云计算、大数据服务

需求背景

AI未来的发展不应该全部寄托在深度神经网络上，需要避免出现人们不得不被迫选择深度神经网络的无奈，为此，有必要研究深度神经网络以外的AI系统，这将是改善AI生态环境的重要保障。

需解决的主要技术难题

今天AI的成功在很大程度上是大数据和深度学习的成功。如果把AI未来的发展全部寄托在深度神经网络上，总让人感到有些单调，尽管目前的网络形态也是多种多样的。为了保持“物种的多样性”，有必要研究深度神经网络以外的AI系统。

期望实现的主要技术目标

南京大学周志华教授认为，深度神经网络之所以成功的原因主要是基于逐层加工处理、内置特征变换和模型复杂度三个关键因素。但是，这三个因素并没有“要求”我们必须使用神经网络模型；只要能同时做到这三点，别的模型应该也能做深度学习。为此，他们提出了“深度森林”这种非神经网络的新型深度学习模型。深度森林的基础构件是不可微的决策树，其训练过程并不基于BP算法，甚至不依赖于梯度计算。“深度森林”具有训练简单、效率高等优点，小规模训练数据也可运转，而且在理论分析方面也更容易。因此，成为非深度神经网络AI系统的一种尝试。

此外，华南理工大学陈俊龙教授认为，虽然深度结构网络非常强大，但大多数网络都被极度耗时的训练过程所困扰。其中最主要的原因是，上述深度网络都结构复杂并且涉及到大量的超参数。为此，他提出了宽度神经网络系统。相对于“深度”结构来说，“宽度”结构由于没有层与层之间的耦合而非常简洁。同样，由于没有多层连接，宽度网络亦不需要利用梯度下降来更新权值，所以计算速度大大优于深度学习。在网络精度达不到要求时，可以通过增加网络的“宽度”来提升精度，而增加宽度所增加的计算量与深度网络增加层数相比，可以说是微乎其微。当然，也有学者认为，现有的宽度学习仅适用于数据特征不多，但对预测实时性要求较高的场景。 

需求解析

解析单位：“科创中国”人工智能专业科技服务团（中国人工智能学会） 解析时间：2022-12-19

倪晶

中关村芯海择优科技有限公司

陈小锋

综合评价

今天AI的成功在很大程度上是大数据和深度学习的成功。如果把AI未来的发展全部寄托在深度神经网络上，总让人感到有些单调，尽管目前的网络形态也是多种多样的。为了保持“物种的多样性”，有必要研究深度神经网络以外的AI系统

查看更多>

处理进度