Aprendizaje de arquitecturas profundas para la IA

Título original:

Learning Deep Architectures for AI

Contenido del libro:

¿Puede el aprendizaje automático crear IA? Los resultados teóricos, la inspiración en el cerebro y la cognición, así como los experimentos de aprendizaje automático sugieren que, para aprender el tipo de funciones complicadas que pueden representar abstracciones de alto nivel (por ejemplo, en visión, lenguaje y otras tareas de nivel de IA), se necesitarían arquitecturas profundas. Las arquitecturas profundas se componen de múltiples niveles de operaciones no lineales, como en las redes neuronales con muchas capas ocultas, los modelos gráficos con muchos niveles de variables latentes o en complicadas fórmulas proposicionales que reutilizan muchas subfórmulas.

Cada nivel de la arquitectura representa características a un nivel diferente de abstracción, definidas como una composición de características de nivel inferior. Buscar en el espacio de parámetros de las arquitecturas profundas es una tarea difícil, pero se han descubierto nuevos algoritmos y, a raíz de estos descubrimientos, ha surgido una nueva subárea en la comunidad del aprendizaje automático desde 2006. Recientemente se han propuesto algoritmos de aprendizaje como los de las redes profundas de creencia (Deep Belief Networks) y otros algoritmos de aprendizaje no supervisado relacionados para entrenar arquitecturas profundas, que han dado resultados interesantes y han superado el estado del arte en determinadas áreas.

Learning Deep Architectures for AI analiza las motivaciones y los principios de los algoritmos de aprendizaje para arquitecturas profundas. Analizando y comparando resultados recientes con diferentes algoritmos de aprendizaje para arquitecturas profundas, se proponen y discuten explicaciones de su éxito, destacando retos y sugiriendo vías para futuras exploraciones en esta área.