高度智能的AI以及无负面数据的机器学习

（文章来源：教育新闻网）

RIKEN高级智能项目中心(AIP)的研究团队成功开发了一种新的机器学习方法，该方法可让AI在没有所谓“负数据”的情况下进行分类，这一发现可能导致更广泛地应用于机器人。各种各样的分类任务。

对事物进行分类对于我们的日常生活至关重要。例如，我们必须检测垃圾邮件，伪造的政治新闻以及诸如物体或面孔之类的平凡事物。使用AI时，此类任务基于机器学习中的“分类技术”-让计算机使用分隔正负数据的边界进行学习。例如，“正”数据将是包含笑脸的照片，而“负”数据将包含笑脸的照片。一旦学习了分类边界，计算机就可以确定某个数据是正还是负。这项技术的难点在于，学习过程需要正负数据，而且在许多情况下都无法使用负数据(例如，很难找到带有“

在现实生活中，当零售商试图预测谁将进行购买时，可以很容易地找到从他们那里购买的顾客的数据(正数据)，但是从根本上不可能获得没有购买的顾客的数据。向他们购买(负数据)，因为他们无权访问竞争对手的数据。另一个示例是应用程序开发人员的一项常见任务：他们需要预测哪些用户将继续使用该应用程序(肯定)或停止使用(否定)。但是，当用户退订时，开发人员会丢失用户的数据，因为他们必须根据隐私策略完全删除有关该用户的数据以保护个人信息。

RIKEN AIP的主要作者Ishida Takashi表示：“以前的分类方法无法应对无法获得负面数据的情况，但是只要我们有信心分数，我们就可以使计算机仅学习正面数据成为可能。从购买意向或应用程序用户活跃率等信息构建的积极数据。使用我们的新方法，我们可以让计算机仅从具有信心的积极数据中学习分类器。”

Ishida与来自其小组的研究人员Niu Gang以及团队负责人Masashi Sugiyama一起建议，通过添加置信度得分让计算机很好地学习，置信度得分在数学上对应于数据是否属于阳性类别的概率。他们成功地开发了一种方法，该方法可以使计算机仅从正向数据和有关其置信度(正可靠性)的信息中学习分类边界，而不会对正向和负向划分数据的机器学习分类问题进行学习。

为了查看系统的运行状况，他们在包含各种时尚标签的一组照片上使用了该系统。例如，他们选择“ T恤”作为肯定类别，并选择另一个项目(例如“凉鞋”)作为否定类别。然后，他们在“ T恤”照片上加上了置信度得分。他们发现，在某些情况下，无需访问负面数据(例如“凉鞋”照片)，他们的方法与使用正面和负面数据的方法一样好。

根据Ishida的说法，“这一发现可以扩大使用分类技术的应用范围。即使在积极使用机器学习的领域中，我们的分类技术也可以用于新情况下，由于数据的缘故，只能收集正面数据法规或业务限制。我们希望在不久的将来将我们的技术用于各种研究领域，例如自然语言处理，计算机视觉，机器人技术和生物信息学。”

（责任编辑：fqj）