近日，麻省理工学院的研究人员已经开发出一种神经网络，除了在训练阶段进行学习之外，它还能在实践过程中学习。

这些被称为「液态」网络的灵活算法，可以为适应新的数据输入而不断改变自身的基本方程。我们知道，有些数据流会随着时间的推移而变化，比如涉及医疗诊断和自动驾驶的数据流。而这一进展，就正可以帮助基于这些数据流的决策过程。因此，此类新型神经网络可以在自动驾驶和医疗诊断中辅助决策。

该研究的主要作者拉明·哈萨尼（Ramin Hasani）表示: 「这是朝向未来机器人控制、自然语言处理、视频处理等任何形式的时间序列数据处理前进的一大步，有着非常巨大的潜力」

众所周知，神经网络是一种通过分析训练数据来识别模式的算法，人们常说，它能模拟大脑的处理过程。而哈萨尼则是直接从显微镜下的线虫C. elegans中获得了灵感：「它的神经系统只有302个神经元，但它可以产生出乎意料的复杂动态」。

在对线虫神经元是如何通过电脉冲得到激活并相互交流的仔细研究下，哈萨尼对他创建的神经网络进行了编码。在他用来构建神经网络的方程中，他允许参数依据一套微分方程的结果，随时间变化。这种灵活性，正是关键——大多数神经网络的行为在训练阶段之后是固定的，这意味着它们并不善于适应传入数据流的变化。哈萨尼表示，他创建的的「液态」网络的流动性，使其对意外或噪声数据更有弹性——比如大雨遮挡了自动驾驶汽车上的摄像头的视野。哈萨尼说，他的「液态」网络避开了其他神经网络常见的不可思议之处：「只是使用微分方程改变一个神经元的表现形式，你就可以探索某种程度的复杂性，否则，你将永远无法实现探索」。

目前液态网络在一系列测试中表现都非常出色：从大气化学跨越到交通模式的应用上，模型在精确预测数据集未来值方面，比其他最先进的时间序列算法高出好几个百分点。

据悉这项研究，将在2月份的AAAI人工智能会议上公布。

参考链接： https://news.mit.edu/2021/machine-learning-adapts-0128

内容中包含的图片若涉及版权问题，请及时与我们联系删除