详细内容或原文请订阅后点击阅览
“机器学习的周期表”可能会促进AI发现
研究人员创建了一个统一的框架，可以帮助科学家结合现有思想以改善AI模型或创建新模型。
来源:MIT新闻 - 人工智能MIT研究人员创建了一个周期表，该表显示了如何连接20种经典的机器学习算法。新框架阐明了科学家如何从不同方法中融合策略以改善现有的AI模型或提出新模型。
例如，研究人员使用他们的框架结合了两种不同算法的元素来创建一种新的图像分类算法，该算法的执行量比当前的最新方法要好8％。
周期表源于一个关键思想：所有这些算法都学会了数据点之间的特定关系。虽然每种算法可能以稍微不同的方式来实现这一目标，但每种方法背后的核心数学是相同的。
在这些见解的基础上，研究人员确定了一个统一的方程，该方程是许多经典AI算法的基础。他们使用该方程来重新构架流行方法并将其排列到表格中，并根据所学的近似关系对每个方法进行分类。
就像化学元素的元素周期表一样，最初包含空白的正方形，后来由科学家填充，机器学习的周期表也有空的空间。这些空间预测算法应该存在的位置，但尚未发现。
麻省理工学院研究生兼首席作者兼有关此新框架的论文的首席作者Shaden Alshammari说，表格为研究人员提供了一个设计新算法的工具包，而无需重新发现先前方法的想法。
本新框架上的论文“这不仅仅是一个隐喻，” Alshammari补充说。 “我们开始将机器学习视为具有结构的系统，这是我们可以探索的空间，而不仅仅是猜测我们的道路。”
意外方程
研究人员并没有着手创建机器学习的元素周期表。
等式描述了这种算法如何在实际数据点之间找到连接，然后在内部近似这些连接。
发现的工具