DARPA寻求数学框架来描述学习的基本极限gydF4y2Ba

把智能放在人工智能中并不容易。目前的机器学习技术通常依赖于大量的训练数据、大量的计算资源和耗时的试错方法。即使这样，这个过程通常会导致学习到的概念不能轻易地泛化来解决相关问题，或者不能用来学习更复杂的概念。毫无疑问，推进机器学习的过程可以更有效地进行——但能有效到什么程度呢?到目前为止，对于一个特定的学习问题所能达到的极限，甚至如何确定这些极限，我们所知甚少。为了找到这些问题的答案，DARPA最近公布了其学习的基本限制(有趣的LoL)项目。《有趣的英雄联盟》的目标是用支持性的理论基础来研究和描述机器学习的基本限制，从而设计出更有效地学习的系统。gydF4y2Ba

DARPA项目经理Reza Ghanadan表示:“我们已经看到机器学习和人工智能的进步，使计算机能够在玩Jeopardy、国际象棋以及最近的围棋等游戏时击败人类冠军。围棋是中国古代的战略游戏。”“然而，缺乏的是一个基本的理论框架，用于理解数据、任务、资源和性能度量之间的关系，这将使我们能够更有效地向机器教授任务，并允许它们将现有的知识推广到新的情况。我们通过《Fun LoL》解决了如何以系统和有原则的方式衡量和跟踪终极学习机器的问题。”gydF4y2Ba

加纳丹指出，就目前的机器学习而言，即使是任务上的一个小变化，通常也需要程序员创建一个全新的机器教学过程。“例如，如果你稍微调整一下围棋游戏的一些规则，机器就无法从它已经知道的东西中进行概括。程序员需要从头开始，重新加载数以千万计的可能移动的数据集，以解释更新的规则。”gydF4y2Ba

这类挑战对国防部来说尤其紧迫，因为国防部的专业系统通常一开始就没有大型训练集，而且无法依赖成本高昂的试错方法。此外，防御复杂的威胁需要机器快速适应和学习，因此它们能够从以前学习过的概念中创造性地概括出来是很重要的。gydF4y2Ba

有趣的LoL寻求有关数学框架，架构和方法的信息，这将有助于回答以下问题:gydF4y2Ba

为了达到给定的精度性能，训练所需的示例数量是多少?(例如，程序员为今年获胜的机器提供的训练集少于3000万步，足以击败围棋冠军吗?你怎么知道?)gydF4y2Ba
什么是重要的权衡及其影响?(例如，尺寸、性能精度、处理能力的考虑)gydF4y2Ba
对于给定的问题，给定的学习算法有多“高效”?gydF4y2Ba
一个学习算法的预期可达到的性能与在极限下可以达到的性能相比有多接近?gydF4y2Ba
训练数据中噪声和误差的影响是什么?gydF4y2Ba
由于生成数据的模型的统计结构，可能的潜在收益是什么?gydF4y2Ba
作为《有趣的英雄联盟》试图实现的一个历史例子，加纳丹指出了一个名为香农斯定理的数学结构，它有助于通信理论的革命。香农定理建立了一个数学框架，表明对于任何给定的通信信道，都有可能通过该信道几乎无差错地通信信息，直到可计算的最大速率。该定理解决了带宽、源数据分布、噪声、通信传输方法、纠错编码、信息度量以及其他可以影响通信效率决定的因素的权衡问题。加纳丹说:“香农定理为现代数字和无线通信的广泛应用提供了基本基础。”《有趣的英雄联盟》的目标是在机器学习和人工智能领域取得类似的数学突破。”gydF4y2Ba

darpa Fun LoL正在寻找可以为这个问题提供新方法的信息。相关的技术领域包括信息论、计算机科学理论、统计学、控制理论、机器学习、人工智能和认知科学。gydF4y2Ba

欲了解更多信息，请参阅这里的FedBizOpps信息请求。回复截止日期为2016年6月7日:http://go.usa.gov/cJGsHgydF4y2Ba