我们能用学习算法做什么（下）

晴川瞳

本文授权转载正经的不正经研究 未经许可，不得转载

结构化输出：输出为向量式（或者其他包含多种变量的数据结构）不同元素之间存在重要的关联。这是一个宽泛的范围，甚至包括上述的转录和翻译的任务。一个例子是语法解析，把自然语言句子整理成可以表示语法结构的树形结构，为树每个节点贴上动词，名称或副词等等。另一个例子是有精确边缘的图像分割，程序将图像中的每个像素归于各个分类。比如，深度学习被用来识别航拍照片中的路面信息。在解释和命名任务中，输出不需要导出和输入图像一样镜像图像。比方说，图像描述，计算机程序分析一个图像，输入一个自然言语句子来描述这个图像。这种任务就叫做结构化输出任务，因为程序需要输入一系列有紧密内在联系的变量。比如图像描述程序需要生成一个合理的句子。

异常检测：计算机从一系列事件和物品中筛选出一些异常不合规格物品。其中一个例子就是信用卡诈骗监测。通过对用户的消费习惯建模，信用卡公司可以监测出用户信用卡非常规使用的信息。如果一个人盗窃了你的信用卡或信用卡信息，通常这个人的消费习惯和你的消费习惯会有一定概率上的差别。信用卡公司可以防止信用卡诈骗事件，通过监测用户信息，出现异常消费就可以察觉。

综合取样：在这类任务中，算法的任务是根据现有训练数据生成拟似的新样本数据。应用机械学习进行的综合取样对媒体应用非常有价值，因为对设计师，艺术家们来说，手动制作大量内容是很无趣同时成本昂贵的。比如说电视游戏中，大量的物品和地形是可以被自动生成的，而不是设计师们一个像素一个像素制作的。有时我们需要综合取样基于输入数据，为我们生成一些特定结果。例如，在一个演讲综合Case中，我们提供一段写好的文字，要求程序为我们从演讲中生成一段音频。这可以被归为结构性输出的分类，但是在这里对于每一个输入量来说，针对得到的结果都没有一个一定正确的答案，而且我们确实需要在结果中有大量的变化才会让结果看起来更加真实和自然。

缺失值补差:面对这种任务，机器学习算法需要根据原数据x数列，给出一个补足了缺失数据的新数列，也就是说对缺失的数据提供一个完整数据的预测。与此相类似的任务，还有数据除噪。

密度预测／概率质量函数预测：在密度预测问题中，机器学习算法需要学习一个的方程，代表由例数据得来的一个概率密度函数（当x是连续的）或者概率质量函数预测（当x是分散的）。为了完成这个任务，程序需要学习他所接触到的数据的结构。它需要知道例数据在哪里形成紧密的群，在哪里不容易出现。大部分情况需要算法至少需要捕捉到概率分布的基本轮廓。密度预测让我们可以模糊的分析出分布状况。这种算法所得出的结果还可以帮我们完成其他的任务。比如说，我们通过密度预测得到一个概率分布p(x)之后，可以把这个结果用于缺失值补差。如果定义缺失数据的元数据为，作为输入数据，那么我们通过元数据得到分布，然后应用。

－－－译于 Ian Goodfellow "Deep Learning"

我们会定期搜索文章，未经授权的转载，如果不符合上述转载要求，会一律举报。希望您尊重原创作者的劳动成果，一起将更多好内容分享出去。