pesquisador de inteligência artificial Pedro Dominguez em seu livro "algoritmo de Mestre" (The Algorithm Master), um livro apresentou o conceito de um único algoritmo, o algoritmo pode ser combinado com as principais escolas de aprendizagem de máquina.

Não há dúvida de que essa idéia é muito ambicioso, mas nós vimos um monte de idéias semelhantes.

Google publicou um título atraente do trabalho de pesquisa, que é intitulado como "um modelo de aprender todo o conhecimento", as colheitadeiras de papel tecnologias de aprendizagem heterogêneos em uma única máquina modelos de aprendizagem.

Alphabet múltipla subsidiária Modelo ED DeepMind um passo, introduz uma nova técnica conhecida como programação diferencial indutivo lógica (ILP) desta técnica em conjunto com uma lógica e Redes Neurais para modelo, a fim de regras de extração de dados de ruído.

ILP combina duas grandes escolas de aprendizagem de máquina. ativistas de conexão que tentam imitar o desempenho do cérebro na forma de rede neural para o conhecimento do modelo, esse gênero tem sido a força motriz por trás da profundidade de comportamento de aprendizagem. Simbolista confiar na lógica de modelar o conhecimento de acordo com as regras fáceis de compreender. Duas escolas têm vantagens bem conhecidas e desvantagens.

Muitas vezes eficazmente resumidos simbologia conhecimento de programação lógica indutiva (ILP) com base, e tendo uma semi-imunidade para overfitting. Além disso, os sistemas de ILP são muitas vezes bem adequado para transferir os cenários de aprendizagem, neste tipo de cenário pode ser copiado e reutilizado em outros modelos modelos treinados. A principal limitação do sistema de ILP que falhou em cenários de aprendizagem ruído endereço ou dados borrão de profundidade, muitas vezes surgem.

sistemas conexionistas muitas vezes funcionam bem em dados ambiente ruidoso, pode ser efetivamente lidar com a incerteza e ambiguidade. Entretanto, o treinamento e adaptação de tais sistemas são muitas vezes caros. E aprender a partir da conexão Doutrina ao sistema de conhecimento é difícil de entender, isto é, em contraste com a clareza do simbolismo do modelo. Ao longo dos anos, muitos especialistas enfatizam o valor teórico da conexão robusta de aprendizagem e relação simbólica entre a combinação de aprendizagem. ILP é sem dúvida um passo na direção certa.

Conceptualmente, a rede neural ILP ILP incorporado como um modelo que alças tanto ruído e dados distorcido, enquanto bem resumidos e para evitar a deterioração. ILP é uma técnica capaz de combinar as vantagens de ambos, o que é diferente dos modelos connectionist, porque pode ser resumido simbolicamente conhecimento, é também diferente do simbolismo modelo tradicional, uma vez que pode ser visualmente resumidos conhecimento. A matriz que se segue pode ilustrar melhor a relação comparativo entre as três correntes de pensamento.

Vamos usar uma tarefa básica para explicar ILP função indutiva, em que um par da representação digital da imagem, e saída deve um número que indica se a imagem da esquerda é menor que o número das etiquetas direito de imagem (0 ou 1). Solução para este problema envolve dois tipos de pensamento: você precisa pensamento intuitivo para identificar a imagem percebida como uma representação específica do número, e o conceito de pensamento para entender completamente a relação entre o seu tamanho.

A lista de tarefas a seguir não é particularmente nova, modelo de aprendizagem profundidade padrão (como rede neural convolutional (CNN)) para resolver. Embora o modelo CNN é totalmente capaz de reconhecer a nova imagem digital, mas provavelmente não é reconhecer os próprios números. Em outras palavras, como CNN aprendizagem profunda estratégias para alcançar a generalização visual, em vez de, simbolicamente, resumiu.

Ao contrário ILP rede neural padrão, porque pode ser resumido simbolicamente, que difere do procedimento padrão no símbolo, uma vez que pode ser intuitivamente resumidos. É expressamente aprender com exemplos de programa legível por computador, e verificáveis na interpretável. ILP se encontram estes exemplos são indicados para o exemplo de uma parte do programa gerado. Ele usa o gradiente de descida espaço programa de pesquisa. Se a saída necessária com o conflito programa de dados de saída de referência, o sistema irá modificar o programa para melhor corresponder aos dados.

Os resultados experimentais mostram que, ILP através de outro modelo lógico e modelo de aprendizagem profunda, na simbólica, figurativa são superiores aos padrões estabelecidos.

ILP é a idéia dos dois métodos principais de aprendizagem de máquina em conjunto é muito criativo. É conhecimento conceptual e conhecimento intuitivo ligado com o sistema de doutrina simbolista combinados para simular cognição humana e um passo mais perto, e, talvez, o algoritmo final Domingo é também um passo.