Prospective Learning: Principled Extrapolation to the Future

要約

学習は、将来のパフォーマンスが向上するように、過去の経験に基づいて意思決定ルールを更新できるプロセスです。
従来、機械学習は、将来の分布が過去と同一であるか、敵対的に変化するという仮定に基づいて評価されることがよくあります。
しかし、これらの仮定は、現実世界の多くの問題にとって楽観的すぎるか、悲観的すぎる可能性があります。
現実世界のシナリオは、部分的に予測可能なダイナミクスを伴い、複数の時空間スケールにわたって進化します。
ここで、学習問題を、部分的に学習可能な動的な未来という考え方を中心とした問題に再定式化します。
特定の一連のタスクは遡及的に学習可能ではない（データ分布が固定されている）が、前向きに学習可能である（分布が動的である可能性がある）と推測され、前向き学習は遡及的学習よりも現物としては難しいことが示唆されています。
私たちは、前向き学習は、(1) 現在既存の人工知能ソリューションを妨げている、および/または (2) 自然知能がそれらを解決する方法について適切な説明が不足している現実世界の多くの問題をより正確に特徴づけると主張します。
したがって、前向き学習を研究することは、自然知能と人工知能の両方における現在厄介な課題に対するより深い洞察と解決策につながります。

要約(オリジナル)

Learning is a process which can update decision rules, based on past experience, such that future performance improves. Traditionally, machine learning is often evaluated under the assumption that the future will be identical to the past in distribution or change adversarially. But these assumptions can be either too optimistic or pessimistic for many problems in the real world. Real world scenarios evolve over multiple spatiotemporal scales with partially predictable dynamics. Here we reformulate the learning problem to one that centers around this idea of dynamic futures that are partially learnable. We conjecture that certain sequences of tasks are not retrospectively learnable (in which the data distribution is fixed), but are prospectively learnable (in which distributions may be dynamic), suggesting that prospective learning is more difficult in kind than retrospective learning. We argue that prospective learning more accurately characterizes many real world problems that (1) currently stymie existing artificial intelligence solutions and/or (2) lack adequate explanations for how natural intelligences solve them. Thus, studying prospective learning will lead to deeper insights and solutions to currently vexing challenges in both natural and artificial intelligences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google