基于稳定信息的小数据学习方法

摘要：

爆炸式增长的数据极大地推动了人工智能的进步与发展,在公共、国防安全领域得到了广泛应用,然而在这些安全攸关领域中存在分布特殊、以小概率出现的、具有动态不确定性的非完备小数据,难以利用传统的人工智能算法实现精准预测,从而出现被诱导、误判、偏见、分歧等与人类价值显著背离的潜在风险行为,引发针对智能算法模型应用的安全事件并造成灾难性后果.因此需针对这些小数据设计新型学习范式.本文首先梳理了小数据的概念并将其按照学习难度分为信息缺失、信息偏见、信息对抗三种情况,分析了其不满足常规人工智能算法的三种强假设条件,即独立、同分布、封闭世界假设.其次,系统提出基于稳定信息的小数据学习框架,介绍了稳定信息基于模型输入、模型模块、损失函数的嵌入方式,并给出形式化表达.随后,以因果干预及数理内嵌两种稳定信息为例,介绍了相应嵌入方式的小数据学习方法,并在轨迹预测任务上验证基于稳定信息的小数据学习的有效性.最后,给出未来展望.开展基于稳定信息的小数据学习方法研究,是小数据学习的实现途径之一,可有效缓解复杂环境下传统人工智能算法强假设不成立的学习困境,引导和支持人工智能算法的高效学习和精准预测,推动人工智能技术安全、可靠、可信发展.

关键词：小数据学习、稳定信息、因果干预、数理内嵌、智能安全、可信赖人工智能

所属期刊栏目：2

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-11-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：13-26