我們知道，人工智能領域雖然發(fā)展迅速，但大部分機器學習的系統(tǒng)都是針對特定的學習任務存在的，例如會下棋的AlphaGo，識別人臉的圖像識別模型，識別語音語義的智能語音助手等等。這些機器學習的系統(tǒng)都只面向特定的任務，目前很少有模型能真正突破狹義機器學習的限制，有能力學習多種不同領域任務。

近日雷鋒網(wǎng)了解到，谷歌在博客上發(fā)表了文章，提出了自己研發(fā)的新機器學習系統(tǒng)MultiModel，一個有能力處理多個任務的機器學習模型。這一模型由多倫多大學計算機科學機器學習小組研究員?ukaszKaiser，Google Brain Team高級研究科學家Aidan N. Gomez 聯(lián)合發(fā)布，以下是雷鋒網(wǎng)對MultiModel文章的翻譯：

在過去十年里，深度學習的應用和表現(xiàn)都是以驚人的速度高速發(fā)展著。然而，目前這一領域的神經(jīng)網(wǎng)絡架構對于特定的應用領域都是高度集中化的，一直有一個重要的問題仍然沒有被解決：領域之間的融合，能否有助于統(tǒng)一模型在多個領域都表現(xiàn)良好？ 

今天，谷歌研究院提出了MultiModel，這是一個在視覺，語言和音頻網(wǎng)絡任務中都表現(xiàn)良好的的神經(jīng)網(wǎng)絡架構，它能夠同時解決跨越多個領域的多個問題，包括圖像識別，翻譯和語音識別。盡管在Google翻譯也曾經(jīng)使用過Google多語種神經(jīng)機器翻譯系統(tǒng)，在解決多任務領域有所進步，但MultiModel是首先將視覺，音頻和語言理解融入單一網(wǎng)絡的機器學習模型。

MultiModel處理多領域的靈感來自于人類大腦，人類大腦是如何將不同模式（如聲音，視覺或味覺）的感官輸入轉化為單一的表達形式，并以語言或動作的形式給予反饋的呢？通過模擬大腦對這些模式和對它們所進行的轉換，MultiModel有很多的子網(wǎng)絡，用于音頻，圖像或文本等特定形態(tài)的任務，MultiModel由編碼器，輸入/輸出混合器和解碼器組成共享模型，如下圖所示。

MultiModel結構：小型特定子網(wǎng)絡與共享編碼器，I / O混合器和解碼器一起工作。每個小花瓣代表一種形態(tài)，轉化為內在的表征（source：googleblog）

MultiModel能夠同時學習八種不同的任務：它可以檢測圖像中的物體，提供字幕，識別語音，翻譯四種語言，同時進行語法解析。給定的輸入和一個非常簡單的信號一起，該信號決定了我們要求的輸出形式。

在設計MultiModel時，很明顯有一些研究領域（視覺，語言和音頻）的某些元素，對于模型在相關任務中取得成功是及其重要的。谷歌研究院證明，這些計算原語（如卷積，注意力或專家混合層）可以顯著提高模型在原本應用領域的性能，同時不會影響MultiModel在其他任務中的性能。MultiModel不僅可以在多個任務聯(lián)合訓練上取得良好的表現(xiàn)，而且在數(shù)量有限的任務上，也可能實際提高性能。令我們感到驚訝的是，即使這些任務來自完全不同的領域，這種現(xiàn)象（性能提高）仍然存在。例如，圖像識別任務可以提高語言任務的性能。 

重要的是，雖然MultiModel沒有刷新最優(yōu)性能記錄，但它確實提供了一種新的思維，增加了團隊對神經(jīng)網(wǎng)絡中多域多任務學習的了解，以及通過引入輔助任務（auxiliary task）來解決在數(shù)據(jù)有限時訓練模型的問題。在機器學習中有一種說法：“最好的正則化方法就是引入更多的數(shù)據(jù)”；而在MultiModel中，這些數(shù)據(jù)可以通過多領域獲取，因此比以前獲取數(shù)據(jù)要更加容易。 MultiModel表明，與其他任務相結合的訓練可以獲得良好的效果，并能夠在數(shù)據(jù)有限的情況下提供模型的性能。

關于多域機器學習的許多疑問尚待研究，谷歌研究院將繼續(xù)致力于優(yōu)化Multimodel，提高它的性能。為了使這項研究能夠更快發(fā)展，MultiModel將在Tensor2Tensor庫中開發(fā)。谷歌研究院認為，對來自多個領域的數(shù)據(jù)進行聯(lián)合訓練的協(xié)同模式將成為深度學習的下一個研究方向，并將最終突破狹義訓練網(wǎng)絡的限制。

via research.googleblog, 雷鋒網(wǎng)編譯

雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。