首页 回答不知道——机器学习的立异之举

回答不知道——机器学习的立异之举

越来越多的生物学家开端运用核算模型来解说杂乱体系,比方:在神经科学范畴,研讨人员正在测验调试用于猜测气候或过滤垃圾邮件的算法,以了解大脑神经网络的信息处理机制。美国冷泉港实验室助理教授TatianaE…

越来越多的生物学家开端运用核算模型来解说杂乱体系,比方:在神经科学范畴,研讨人员正在测验调试用于猜测气候或过滤垃圾邮件的算法,以了解大脑神经网络的信息处理机制。美国冷泉港实验室助理教授Tatiana Engel的新研讨为生物学家的模型运用供给了重要辅导。经过测验神经体系的各种核算模型,她和博士后研讨员Mikhail Genkin发现:一个模型可以完美地猜测数据,并不意味着它可以反映对应生物体系的潜在逻辑。咱们不细心评价模型有效性,运用时很或许会得出过错定论。相关结果于当地时间10月26日宣布在《天然?机器智能》杂志中。

在猜测气候及股票时长趋势时,核算模型的精准猜测才干十分重要。但Engel以为生物学家的方针有所不同。她说:“咱们感兴趣的是科学解说。从数据中发现假定,不只需求模型与数据相符,还需求剖析、了解模型。因而,咱们有必要研讨模型的结构和机制,才干推断出大脑的作业机制。”

过错的假定条件也或许得到精确的猜测。Engel以陈旧的太阳系模型为例阐明:尽管模型精确地猜测了天体的运动,但它的假定条件是过错的。经过创立、比较多种神经信号模型,他们也终究证明:具有杰出猜测才干的模型并不一定能反映实在的神经网络。因而,评价神经网络特定模型的可信度关于生物学家而言十分重要。

研讨人员供给了一条原则性办法来协助生物学家辨认最适合用于研讨生物体系的核算模型——最合适的模型在多个数据集都能表现出高度一致性。不过,这种办法并不一定适用于全部状况,生物学家或许还需求经过其它办法进行评价。

此外,研讨人员还在论文中详细论述了一种被称作“柔性建模”的机器学习——它答应用户自在探究各种或许性,无需事前拟定详细假定。

Engel团队现已开端使用相似的模型来研讨大脑中的信号是怎么发生决议计划的。

版权声明:本文由科界渠道原创编译,中文内容仅供参考,全部内容以英文原版为准。转载请注明来历科技作业者之家—科界App。

本文来自网络,不代表本站立场。转载请注明出处: https://www.icollectbooks.com/show/949.html
上一篇
下一篇

发表评论