تعلم التعلم عن طريق الانحدار
المؤلف: Marcin Andrychowicz و Misha Denil و Sergio Gomez و Matthew Hoffman و David Pfau و Tom Schaul و Nando De Freitas
عادة ما يتم تصميم خوارزميات التحسين باليد ؛ مصممو الخوارزميات ، الذين يفكرون بعناية في كل مشكلة ، قادرون على تصميم خوارزميات تستغل البنية التي يمكنهم وصفها بدقة. تعكس عملية التصميم هذه جهود رؤية الكمبيوتر في أوائل العقد الأول من القرن الحادي والعشرين لتوصيف وتحديد الميزات يدويًا مثل الحواف والزوايا في الصور ذات الميزات المصممة يدويًا. كان أكبر تقدم في رؤية الكمبيوتر الحديث هو تعلم هذه الميزات مباشرة من البيانات بدلاً من ذلك ، وإزالة الهندسة اليدوية من الحلقة. توضح هذه الورقة كيف يمكننا توسيع هذه التقنيات لتشمل تصميم الخوارزمية ، وتعلم ليس فقط الميزات ولكن أيضًا التعرف على عملية التعلم نفسها.
نوضح كيف يمكن اعتبار تصميم خوارزمية التحسين مشكلة تعلم ، مما يسمح للخوارزمية بالتعلم لاستغلال الهيكل في المشاكل التي تهمك بطريقة تلقائية. تتفوق الخوارزميات التي تعلمناها على المنافسين القياسيين المصممين يدويًا في المهام التي تم تدريبهم عليها ، كما تعمم جيدًا على المهام الجديدة ذات البنية المماثلة. نوضح ذلك في عدد من المهام ، بما في ذلك تدريب الشبكة العصبية ، وتصميم الصور مع الفن العصبي.
لمزيد من التفاصيل والأعمال ذات الصلة ، يرجى الاطلاع على الورقة https://arxiv.org/abs/1606.04474
تحقق منه في NIPS:
الثلاثاء 6 ديسمبر 06:00 - 09:30 م @ المنطقة 5 + 6 + 7 + 8 # 9
الخميس 8 ديسمبر 02:00 - 9:30 م @ المنطقة 1 + 2 (ندوة التعلم العميق - الملصق)
الجمعة 9 ديسمبر 08:00 ص - 06:30 م @ المنطقة 1 (ورشة عمل DeepRL - محادثة بواسطة Nando De Freitas)
الجمعة 9 كانون الأول (ديسمبر) 08:00 صباحًا - 06:30 مساءً @ المنطقة 5 + 6 (تحسين Nonconvex لتعلم الآلة: النظرية والتطبيق - نقاش من Nando De Freitas)
السبت 10 ديسمبر 08:00 ص - 6:30 م @ المنطقة 2 (تحسين المُحسنات - حديث بقلم ماثيو دبليو هوفمان)
المصدر: https://deepmind.com/blog/article/deepmind-papers-nips-part-2