机构名称：
¥ 7.0
当代人工智能 (AI) 有两条腿：大型训练数据语料库和多参数人工神经网络 (ANN)。数据语料库是代表世界的复杂性和异质性所必需的。由于网络参数和输出对训练数据和输入的依赖性不明确，网络的作用不太透明。这引发了从技术科学到法律伦理等一系列问题。我们假设，在完全不使用网络的情况下，机器学习的透明方法是可能的。通过推广一种无参数、统计一致的数据插值方法（我们对该方法进行了详细的理论分析），我们开发了一个生成建模框架。鉴于机器学习技术在科学中的应用越来越广泛，我们用动物行为领域的一个例子来演示这个框架。我们将这个生成希尔伯特框架应用于小群游动鱼的轨迹。在重现自然行为方面，该框架优于之前开发的最先进的传统数学行为模型和当代基于 ANN 的模型。我们并不认为所提出的框架在所有应用中都会胜过网络，因为过度参数化的网络可以进行插值。然而，我们的框架在理论上是合理、透明、确定且无参数的：它不需要任何计算成本高昂的训练，不涉及优化，没有模型选择，并且易于复制和移植。我们还基于此框架提出了一种易于计算的信用分配方法，该方法可以帮助解决生成式人工智能带来的道德法律挑战。
无网络的人工智能 - CSHL 科学数字存储库
主要关键词
相关文件推荐
