大数据智能:从数据拟合最优解到博弈对抗均衡解
数据驱动的机器学习(特别是深度学习)在自然语言处理、计算机视觉分析和语音识别等领域取得了巨大进展,是人工智能研究的热点.但是传统机器学习是通过各种优化算法拟合训练数据集上的最优模型,即在模型上的平均损失最小,而在现实生活的很多问题(如商业竞拍、资源分配等)中,人工智能算法学习的目标应该是是均衡解,即在动态情况下也有较好效果.这就需要将博弈的思想应用于大数据智能.通过蒙特卡洛树搜索和强化学习等方法,可以将博弈与人工智能相结合,寻求博弈对抗模型的均衡解.从数据拟合的最优解到博弈对抗的均衡解能让大数据智能有更广阔的应用空间.
人工智能、大数据、最优拟合、神经网络结构搜索、博弈论、纳什均衡
15
TP391(计算技术、计算机技术)
国家杰出青年科学基金;国家自然科学基金人工智能基础研究应急管理项目
2020-07-01(万方平台首次上网日期,不代表论文的发表时间)
共8页
175-182