原文链接：http://neurosciencenews.com/ai-human-learning-5534/

　　综述：研究人员表示，新的机器学习训练算法可以使神经网络直接从人类定义的规则中学习。

　　来源：多伦多大学

　　一种由多伦多大学工程学院开发的新的机器学习训练算法使神经网络能够直接从人类定义的规则中学习，为人工智能领域开辟了新的可能，它可以延伸到医疗诊断和自动驾驶汽车领域。

　　“嘿，Siri,我的头发看起来怎么样？”

　　你的智能手机可能很快会给你一个中肯的回答，这多亏了多伦多大学工程学院的研究员Parham Aarabi和Wenzhi Guo设计的新机器学习算法。

　　这个团队设计的算法可以直接从人类指令中进行学习，而不需依靠一系列现有的样本，并且性能高于传统的神经网络训练算法约160个百分点。更令人惊讶的是，他们的算法甚至超越了它自身训练约9个百分点-它学会了识别图片中的头发后，其识别可靠性比训练时的识别可靠性要高，这标志着人工智能领域有一个质的飞跃。

　　Aarabi和Guo用他们的算法训练网络来识别照片中的头发-这项挑战挑相对于计算机来说比相对于人来说要困难得多。

　　“我们的算法在困难的或边缘的情况下也能正确分类-可以区分头发的质地和背景的纹理，”Aarabi说。“我们可以将这个学习过程比喻为老师在指导一个孩子学习，而这个孩子学到的东西远超过了老师最初给予她的东西。”

　　人类“教”神经网络，通过提供一组标注好的数据，并要求神经网络基于它看到的样本做出决策，神经网络就可以动态地学习。比如，你可以给神经网络提供数百张标记蓝天的图片，让它学习识别照片中的蓝天。

　　该算法是不同的：它直接从人类指示中学习。有了这个被称为启发式训练的模型，人类可以提供直接的指令，用来预分类训练样本，而不需要提供一组固定的样本。人类只需在训练时给算法设定指引，如“天空可能有不同程度的蓝，”以及“图片顶部附近的像素比图片底部附近的像素更有可能是天空。”

　　他们的工作发表在杂志IEEE Transactions on Neural Networks and Learning Systems中。

　　这幅图片对比了传统的训练算法和Aarabi&Guo的启发式训练算法。左侧和中间两列分别展示了积极的和保守的两种识别人类头发的图像识别训练算法，将它们与最右侧准确率更高的启发式训练算法做对比。NeuroscienceNews.Com 图片版权属于IEEE Trans NN&LS.

　　这种启发式的训练算法在很到=大程度上解决了神经网络中一个非常重大的挑战：对先前未知的或未标注的数据进行正确分类。这对于将机器学习应用到新的场景时是至关重要的，比如在医疗诊断中正确识别癌细胞，或在自动驾驶汽车时正确区分周围或渐近的目标。

　　“将启发式训练算法应用到头发分割只是一个开始，”Guo说。“我们热衷于将我们的算法应用到其他领域和一系列应用中，从医学到交通。”