人工数学建模和机器学习的优缺点进行介绍和比较.pdf
145 浏览量
2022-12-17
15:07:22
上传
评论
收藏 63KB PDF 举报
人工数学建模和机器学习的优缺点进行介绍和比较
【导语】本文对传统的人工数学建模和机器学习的优缺点进行了介绍和比较，
并介绍了一种将二者优点相结合的方法——解耦表示学习。之后，作者利用 DeepMind 发
布的基于解耦表示学习的 beta-VAE 模型，对医疗和金融领域的两个数据集进行了探索，
展示了模型效果，并提供了实验代码。
这篇文章会对传统数学建模与机器学习建模之间的联系进行讨论。传统数学建模是我们在
学校里都学过的建模方法，该方法中，数学家们基于专家经验和对现实世界的理解进行建
模。而机器学习建模则是另一种完全不同的建模方式，机器学习算法以一种更加隐蔽的方
式来描述一些客观事实，尽管人类并不能够完全理解模型的描述过程，但在大多数情况下，
机器学习模型要比人类专家构建的数学模型更加精确。当然，在更多应用领域（如医疗、
金融、军事等），机器学习算法，尤其是深度学习模型并不能满足我们需要清晰且易于理
解的决策。
本文会着重讨论传统数学建模和机器学习建模的优缺点，并介绍一个将两者相结合的方法
—— 解耦表示学习 (Disentangled Representation Learning)。
如果想在自己的数据集上尝试使用解耦表示学习的方法，可以参考 Github 上关于解耦学
习的分享，以及 Google Research 提供的关于解耦学习的项目代码。
深度学习存在的问题
由于深度学习技术的发展，我们在许多领域都对神经网络的应用进行了尝试。在一些重要
的领域，使用神经网络确实是合理的，并且获得了较好的应用效果，包括计算机视觉、自
然语言处理、语音分析和信号处理等。在上述应用中，深度学习方法都是利用使用线性和
非线性转换对复杂的数据进行自动特征抽取，并将特征表示为“向量”（vector），这一过
程一般也称为“嵌入”（embedding）。之后，神经网络对这些向量进行运算，并完成相应
的分类或回归任务：
从特征提取和准确度来看，这种 “嵌入”的方法非常有效，但在许多方面也存在不足：
资源评论
