编译/凯霞
得益于空军迷信研究办公室的195 万美元赠款，马萨诸塞大学阿默斯特分校数学和统计系教授 Markos Katsoulakis 和 Luc Rey-Bellet，以及布朗大学的 Paul Dupuis 将在接下来的四年开发一种新的呆板进修方法，超越对大数据的传统依赖。
Markos Katsoulakis
Luc Rey-Bellet
传统的呆板进修依赖于庞大的数据缓存，算法可以筛选这些数据以「训练」自己完成任务，从而产生基于数据的数学模型。但是，如果数据很少，或者生成足够多的数据成本太高，该怎么办呢?
一种可能的、紧急的补救措施——通常被称为迷信呆板进修——是将多年的迷信研究中获得的专家知识融入算法中，以开发物理原理和规则。
人们对包括医学、工程、制造和迷信在内的各种应用领域和行业的迷信呆板进修非常感兴趣，但关头挑战之一是如何确保算法展望的可靠性。
这就是 Katsoulakis 和 Rey-Bellet 的用武之地，他们共同为迷信呆板进修带来了新的视角，一个专注于「不合」的视角。「『发散』的数学概念，」Rey-Bellet 说，「是一种量化呆板进修算法展望与实际尝试数据之间差距的方法。」他增补说，「不合使研究人员能够测试不同的呆板进修算法并找到产生最佳结果的算法。」
该团队提出了一类新的「不合」，其中涉及两个虚构的、互相竞争的代理——「玩家」——他们互相玩「游玩」。第一个玩家提出了一种新的呆板进修模型，它模拟了一个现实生活场景；如果模型的展望与可用的现实生活中的尝试数据不够匹配，另一个参与者可以拒绝该提议。游玩继续进行，直到玩家找到同时满足他们的算法。但是这些玩家有一个技巧：「我们不合中的一个关头的新数学特征允许玩家『了解他们的物理』，」Katsoulakis说。「更聪明的玩家竞争更有效，互相进修得更快，训练需要的数据更少，但仍然对进修新物理持开放态度。」
Katsoulakis 说：「这是成为一名数学家的激动人心的时刻」，并增补说「应用数学、统计学、计算机迷信和学科研究可以互相增补，并在未来几年解决迷信呆板进修中的这些基本问题。」Rey-Bellet 增补了最后一个想法：「几个世纪以来，物理学一直是所有数学迷信的主要灵感来源。在过去的几年里，呆板进修开始扮演类似的角色，并为数学世界带来了大量新思想。」
参考内容：https://www.eurekalert.org/news-releases/932655
https://www.umass.edu/news/article/competition-and-consensus-scientific-machine-learning-how-game-theory-approach-leads