Most of human and animal learning is unsupervised learning.

Yann LeCun在NIPS 2016大会主题报告提出了“预测学习”的概念，可以简单理解为深度无监督学习方法。大会报告主要包括深度学习、预测学习、增强学习、基于能量函数的无监督学习、对抗学习五部分内容，本文简要介绍了报告要点，原文PPT获取详见文末。

深度学习

• 所谓“深度”是指不止一层的非线性特征变换，例如卷积神经网络中低层、中层、高层图像特征抽取变换，典型的卷积神经网络如VGG、GoogLeNet、ResNet都用了很深的网络结构
• 深度学习实现了模型全流程的学习（“端到端”），而之前机器学习方法需要手工或无监督的抽取特征
• 卷积神经网络在计算机视觉领域已有很多“令人惊喜”的应用，如给图像配标题、图像语义分割、图像物体识别与定位等

预测学习

• 共识=世界如何运作的常识
• 共识+智能=感知+预测模型+记忆+推理（预测+规划）
  • 准确的测量环境状态
  • 关注重要的事件
  • 记住相关的事件
  • 预测何种行为将生成最优结果

• 预测学习（或很多人认为的无监督学习）主要目标是让机器拥有“共识”，即从可获得的任意信息中预测所感知对象（系统状态／行为、图像、语言等）的过去、现在或将来任意部分

• 预测学习的难点在于监督学习预测标注数据，或是强化学习预测值函数等方法都是不够等，参见LeCun著名的“AI蛋糕理论”

增强学习

• 传统增强学习的基本原理是“在行动前按脑子里的想法尝试下”，智能体感知环境并作用于环境，尝试最小化长期损失目标
• 想要提前做规划，必须有“世界仿真器”，智能体通过最小化长期预测损耗来实现推理决策
• 实例
  • PhysNet：基于Unreal图形仿真引擎预测下降物体轨迹
  • EntNet：记忆文本世界状态，第一个通过文本故事判别测试（20bAbI）

基于能量函数的无监督学习

• 能量函数，也称差异函数（contrast function），即给定样本数据映射到一个新的流型空间，在该空间里预期的数据点能量值最小，而其它点上的能量值都很大
• 学习的关键在于构造“合适的”能量函数，有七种常用策略
  • 构建机器使得低能量项为常量，例如PCA、K-means、GMM等方法
  • 降低数据点的能量，提高其它数据点的能量，例如最大似然估计
  • 降低数据点的能量，提高指定区域点的能量，例如Contrastive divergency、Ratio matching
  • 最小化数据点的梯度最大化其曲率，例如score matching
  • 训练能够学习数据样本流型的动态系统，例如降噪自编码器
  • 使用正则项限制数据空间中低能量的区域，例如稀疏编码、稀疏自编码器
  • 如果E(Y)=||Y-G(Y)||^2，令G(Y)尽可能为常量，例如合约自编码器

对抗学习

• 无监督学习的难点在于“不确定情况下”的预测，输入数据X只不过是真实世界的一个采样，假设还有隐状态变量Z作用下，预测值Y是处于某流型分布之中。但当数据采样不够的话，是很难进行预测的
• 从能量函数角度看对抗学习，核心思想是用生成器决定那些数据点的能量高，其中判别器是一个自编码器，然后定义判别器和生成器的损失函数，并寻找最优的纳什均衡情况下的判别器和生成器
• 目前对抗学习已经在生成不存在的真实图像、图像算术运算、视频预测等方面有应用

最后，想进一步学习Yann LeCun报告PPT的朋友，请关注小虾米微信公众号，后台回复“预测学习”即可得到下载地址。

数据科学武林风起云涌，
随数据小虾米共闯江湖~