咨询热线:+86- 908029
最新公告: prmtg.com
陇川县您当前的位置:首页 > 陇川县

AG86..com:MarcuAG86..coms十大理由质疑深度学习?LeCun说大部分错了

作者:AG86..com 日期:2018/1/9 22:43:08 点击:223136

网易云音乐新年策划 “镜面长廊”让你照见自己 16:45:20 小字

“今天,是你余生的第一天”;“你那么年轻,你可以成为任何你想成为的人”……1月4日,网易云音乐正式推出“2018,照见自己”线下主题策划。借助极具视觉震撼效果的镜面长廊与意蕴丰富的乐评内容,网易云音乐希望让每个人都能在音乐中照见自己,并在新年之际充满力量地前行。

据了解,新年伊始,网易云音乐在线上线下全面推出新年策划。1月2日,线上内容已正式与用户见面。网易云音乐首页下雪、《2018,音乐的力量》品牌视频、《2017网易云音乐用户年度听歌报告》H5,线上策划直击人心的内容引起社交平台的刷屏式传播。

在一座镜面长廊中照见自己 从每一条乐评中读出“我”和“你”

1月4日清晨,北京团结湖地铁站和往常一样人来人往。但今天,许多人都忍不住在站内一座“镜面长廊”前驻足停留。不少人打开手机相机,捕捉镜面上的文字,和镜面中的自己;有人则独自站在镜面前,看着镜面上红色的文字,似乎有些出神;也有人一边慢慢沿着“长廊”走着,一边和身边的人讨论起“长廊”里的内容。

(网易云音乐打造“镜面长廊”,让每个人“2018,照见自己”)

这座由网易云音乐打造的“镜面长廊”,主体包括一条全长数十米的完整镜面,和镜面上的14组网易云音乐用户乐评。极具视觉冲击力的镜面,与红色对话框中的乐评文字,共同鲜明地传递出“2018,照见自己”的主题。

主题策划中最具特色的,莫过于将照见自己的洞察和“镜面长廊”这一创意的结合。通过创造性地将镜面与乐评二者进行融合,策划在十分简洁的创意形式中,诠释出意蕴丰富的主题内涵:照见自己,找到自己,是一个人一生都在追求的命题。音乐就像一面镜子,照见了那个平时看不到的真正的自己。我们为乐评而感动,也是因为乐评中的情感ag558.net引发了共鸣,让我们看到了我们自己。

(主题策划将“照见自己”的洞察和“镜面长廊”创意进行巧妙结合)

除了“镜面长廊”这一特色创意外,此次策划中乐评内容也与主题紧紧相扣。据悉,本次主题策划中,网易云音乐从1万组精彩乐评里精选出14组乐评进行呈现。“我只有一句话:你的江湖,多远我都来”;“我要漏出一点马脚,好让你发现我喜欢你”……这些关于希望、温暖、爱情等话题的文字,有着以下两个共同点:

首先,乐评内容突出“我”和“你”这两个关键词。有“我”,有“你”,直指每一位看见乐评的人,强化了照见自己、找到自己的主旨。同时,“镜面长廊”中的乐评充满希望与力量,蕴含着“梦里能到达的地方,终有一天脚步也能到达”这样美好的期待,激励每个人在2018年照见自己最真实的内心,并勇敢前行。

值得一提的是,整个“镜面长廊”中,除了“2018,照见自己”主题文字和14组乐评,还有一处没有文字的空白红色对话框。这片留白,既给每个人留下了思考和个性化诠释的空间;也寓意新的一年,我们将通过自己的双手,在生活中书写全新篇章。

以产品的思路做营销 “照见自己”丰富内涵洞察人心

新年策划能引发如此广泛的传播与参与,离不开网易云音乐一直以来“以产品的思路做营销”的理念。品牌方需要将每一次营销活动,看成一次解决用户痛点的过程;只有这样,才能呈现出用户想看的、会有共鸣的内容。从新年策划所获得的良好反AG86..com馈来看,网易云音乐无疑再一次展现出其对用户和音乐的深刻洞察。

如前文所提到的,照见自己,找到自己,是一个人一生探寻的命题。岁末年初,也正是许多人希望整理思绪,重新出发的时候。策划以“2018,照见自己”为主题,正是希望借助“镜面长廊”的创意形式,让每个人都能更清晰地照见自己的内心,并充满希望与力量地开启全新一年。同时,“照见自己”一词中也蕴含着丰富的内涵:在镜面中照见自己、在乐评中照见自己、在音乐中照见自己。这无疑能唤起每一个普通人内心的情感,并引发深度共鸣。

在镜面中照见自己,是其中最为直观的第一层涵义。在都市忙碌的生活中,在行色匆匆的人群里,我们不妨走到镜面前驻足片刻,照见自己、想想自己。在乐评中照见自己,则是因为,一条乐评虽然来自某一位用户,但写出的却是普通人共有的情感。我们可以通过对乐评内容的情感共鸣,在其中照见自己。而在音乐中照见自己,是策划主题的深层涵义。我们需要音乐,是因为在音乐中,我们找到了自己,音乐就像一面镜子,照见那个我们平时看不到的真正的自己。

(音乐就像一面镜子,让人照见真正的自己)

线下策划也与网易云音乐新年策划整体内容形成呼应。如果说线上策划中的《2018,音乐的力量》品牌视频,让我们在不同人生中多元的音乐故事里照见自己;《2017网易云音乐用户年度听歌报告》H5用每位用户这一年的听歌数据,让我们照见“自己过去一年”的心路历程;而与此同时,线下策划则借助“镜面长廊”,让我们照见新年“全新的自己”。

从网易云音乐4亿用户到站内外每一个具体的个体,从2017的陪伴记忆到2018的温暖同行,基于以产品的思路做营销的理念,网易云音乐新年策划丰富的创意内容形成一个完整的闭环。策划让每一个普通人新年伊始,都能在音乐的力量中照见自

己,充满希望地前行。1月2日以来,线上内容迅速引发用户和媒体的广泛传播,在全网又一次掀起刷屏热潮。而线下主题策划,同样在短时间内获得大量用户的强烈共鸣。

猜你喜欢 贫困村"一号院"主人搬家了 你知道台湾有一款鞋叫“中国强”吗? “中国制造”地铁将出口美国 这位老人又创一项世界纪录!


大数据文摘作品

作者:Aileen, 魏子敏,钱天培,龙牧雪


昨天下午,一直对深度学习持质疑态度的纽约大学教授、人工智能创业者Gary Marcus在arxiv上发布了一篇长文,列举十大理由,质疑深度学习的局限性,在AI学术圈又掀起了一轮波澜。


Gary Marcus文章地址:

https://arxiv.org/ftp/arxiv/papers/1801/1801.00631.pdf


而就在刚刚,一直对Gary Marcus这一观点持反对态度的Facebook人工智能研究中心负责人Yann LeCun发推文“怼”了这一论调,称“有想法,可能吧,但是,大部分都错了“(Thoughtful, perhaps. But mostly wrong nevertheless.)。


似乎听到了LeCun的冷笑……作者很礼貌地回复:“您能不能详细说说哪里错了?我们之前辩论的时候您可不是这么说的。”



当然不只是简单质疑,推文下观战的各位也不安分的呼喊LeCun说出更多质疑理由,LeCun在之后又发推叙述了自己的观点:“不正确,Gary混淆了‘深度学习’和‘监督学习’。”


图注:LeCun怼的是Jason Pontin的“支持Gary"的转推,值得一提的是,Jason曾经在MIT科技评论任职主编。


现在美国时间已是深夜,我们期待LeCun在深思熟虑后给出更多想法,可能也会写出一篇20几页的长文也不一定呢。


Gary Marcus和Yann LeCun关于“深度学习”的争执由来已久。去年,两人还曾经公开就此问题辩论了两个小时,文摘菌当时细看了整个视频,全程观点犀利、逻辑缜密,让人佩服。来不及等LeCun观点的同学也欢迎戳下边的视频先看看两人的辩论??



在去年的辩论中,Marcus和LeCun都坦言,深度学习当前还远不能实现简单的常识推理。LeCun甚至表示,如果在他的有生之年,深度学习在常识推理方面的智能能够达到一只小老鼠的水平,那他也就心满意足了。


然而,对于深度学习发展的何去何从,两人却产生了不小的分歧。Marcus认为深度学习应该更全面地借鉴人类探索认知世界的方式,加入更多对物体、集合、空间等的认识表示,而LeCun则认为深度学习并不需要太多地模拟人类的认知方式。


去年两人的讨论更多的是对深度学习未来发展之争,孰是孰非皆未可知。而这次两人的争论则似乎更有看头——Marcus本次质疑的是深度学习当前发展现状,是一场基于事实的讨论。两人此次再度怼上,输赢恐怕终有一个分晓。


让我们也回顾一下Gary Marcus这篇发布在arxiv上,长达27页的文献质疑了深度学习的哪些问题,仅摘录了部分精彩观点:


1.深度学习至今缺少足够的数据。


人类可以在一些尝试后学习抽象关系。但深度学习不具备这种学习抽象概念的能力,其需要依赖大量数据。深度学习目前缺乏通过明推动构建人类命运共同体。确的语言定义来学习抽象概念的机制,在DeepMind开发棋类和Atari游戏AI的工作中,有成千上万甚至数十亿的训练样例时效果最好。


正如Brenden Lake和他的同事最近在一系列论文中强调的那样,人类学习复杂规则要比深度学习系统更有效率。


2.深度学习至今仍不够深入,且在迁移度上存在很大局限。


尽管深度学习能够带来一些惊人的成果,但重要的是要认识到,深度学习中的“深度”一词指的是技术特性(在现代神经网络中使用了大量的隐藏层),而不是一个概念。


Robin Jia和Percy Liang(2017)最近的实验是语言领域的一个例子。神经网络在一个被称为SQUAD(斯坦福问答应答数据库)的问题回答任务上进行了训练,其目标是突出特定段落中对应于给定问题的单词。例如,通过一个已训练的系统,可准确地识别出超级碗 XXXIII 的胜利者是 John Elway。但 jia 和 Liang 表明,仅靠插入干扰句(例如宣称谷歌的 Jeff Dean 在另一个杯赛中获得了胜利)就可以让准确率大幅下降。在 16 个模型中,平均准确率从 75% 下降了到了 36%。


通常情况下,深度学习提取的模式,比最初的模式更肤浅。


3.现在的深度学习并没有能够处理层次化结构的方法。


至少目前来说,深度学习无法学到层次结构。


深度学习学到的是各种靠在椅子上吸氧。特征之间的相关性,这些特征本身是“平坦的”或非分层的,就好像在一个简单的非结构化列表中一样,每个特征都是平等的。层次结构(例如,识别句法结构中的主要从句和嵌入式从句)在这样的系统中并不能被直接表示,因此深度学习系统被迫使用其他决定退出代理变量,例如序列中呈现的单词的顺序位置。


相对而言,像Word2Vec(Mikolov,Chen,Corrado,&Dean,2013)这样的将单个词汇表示为向量的系统表现更好。另一些系统试图在矢量空间中表示完整的句子(Socher,Huval,Manning,&Ng,2012),但是,正如Lake和Baroni的实验所表明的那样,循环神经网络难以处理丰富的层次结构。


4.深度学习至今无法解决开放性的推理问题。


如果你不能理解“John promised Mary to leave” 和 “John promised to leave Mary”之间的细微差别,那么你不能推断谁是谁离开了谁,或者接下来可能发生什么。


目前的机器阅读系统已经在“问答”这样的任务中取得了一定程度的成功,其中对于给定问题的答案被明确地包含在文本中,但是在推理超出文本的任务时却很少成功。组合多个句子(所谓的多跳推理)或通过组合明确的句子与没有在特定文本选择中陈述的背景知识,对于深度学习还很难。


5.深度学习还不够透明。


“黑箱”神经网络的相对不透明性一直是过去几年讨论的重点(Samek,Wiegand,&Müller,2017; Ribeiro,Singh,&Guestrin,2016)。


目前的深度学习系统有几百万甚至几十亿的参数,对开发人员来说,很难使用人类可解释的标签(“last_character_typed”)来标注它们,而仅仅能描述它们在一个复杂的网络中的位置(例如,网络模块k中第j层的第i个节点的活动值)。


尽管在复杂网络中可以看到个体节点的贡献(Nguyen,Clune,Bengio,Dosovitskiy和Yosinski,2016),但大多数研究者都承认,整个神经网络仍然是一个黑盒子。


6.深度学习尚未能很好地结合先验知识。


深度学习的主要方法是解释学,也即,将自我与其他潜在有用的知识隔离开来。


深入学习的工作通常包括,找到一个训练数据库,与各个输出相关联的输入集,通过学习这些输入和输出之间的关系,通过调参等方式,学习解决问题的方法。有些研究会主动弱化先验知识,比如以 LeCun 为代表的神经网络连接约束等研究。


人们可以很容易地回答“威廉王子和他那还没几岁的儿子乔治王子谁高”这样的问题。你可以用衬衫做沙拉吗?如果你把一根别针插入一根胡萝卜,它是在胡萝卜还是在别针上留下一个洞?据我所知,没有人会试图通过深度学习来解决这类问题。这些显而易见的简单问题需要人类将知识整合到大量不同的来源中。如果要达到人类认知的灵活性,除了深度学习,我们还需要另一个完全不同的工具。


7.深度学习还无法区分“因果关系”和“相关性”。


因果关系和相关性是两个不同的概念,这两者的区别也是深度学习面临的一个严重问题。粗略地说,深度学习学习输入和输出特征之间的复杂关联,但没有固有的因果表示。


比如,把人类作为整体数据,深度学习可以很容易地学习到,“身高”和“词汇量”是相互关联的,但不能说这种相关性来自“长大(growth)“和”发展(development)”。孩子们在学习更多的单词时也在长大,但这并不意味着,长大会使他们学习更多的单词,也不是说,学习新的单词使他们长大。


因果关系在人工智能的其他一些方法中是中心因素(Pearl,2000),但深度学习的核心不是应对这一任务的,所以深度学习很少考虑这一问题。


8.深度学习在一个环境稳定的世界里表现最好,然而现实往往并非如此。


深度学习在高度稳定的世界中表现很好,比如棋盘类游戏,因为其有着不变的规则,而在政治和经济这类不断变化的问题上,表现很有限。


如果在诸如股票预测等任务中应用深度学习,那么很有可能出现Google预测流感趋势的命运:一开始在搜索趋势方面预测流行病学数据方面做得很好,但是却无法预测出像2013年流感季节高峰的出现(Lazer,Kennedy,King,&Vespignani,2014)。


9. 当你需要一个近似的结果时,深度学习效果不错,但不能完全信赖这些结果。


深度学习系统在某个特定领域,表现会比较优秀,但很容易被愚弄。


越来越多的论文显示了这种脆弱性,从上面提到的语言学例子、到视觉领域的例子,都反映了这一问题。在Nguyen,Yosinski和Clune在2014年的一篇论文中,深度学习将黄黑相间的条纹误以为校车,将带有贴纸的停车标志误以为装满食品的冰箱。


10.深度学习仍很难被工程化。


从上面提出的所有问题还会引出另一个事实,那就是深度学习很难被着真正稳健地工程化。


Google的一个作者团队在2014的一篇文章中提到,机器学习就好像“ 有着高利息的技术债务信用卡”,意思是说,我们可以相对容易地使系统在一些有限的环境下工作(短期收益),但是很难保证他们能够在可能与以前的训练数据不相似的新数据的情况下工作(长期债务)。


正如Google的Peter Norvig(2016)所指出的那样,机器学习仍然缺乏经典编程的渐进性,透明性和可调试性,在实现稳健性方面面临着挑战。 Henderson及其同事最近对这些观点进行了扩展,重点强调了深入的强化学习,并指出了与稳健性和可复制性有关的一些严重问题。尽管自动化机器学习系统的开发已经取得了一些进展,但还有很长的路要走。

AG86..com

她很感谢电竞女神选拔赛 般肆意快乐 即也遭到了苹果的降速处理 代省长 一名岁的 奇葩大会 中国是美国最重要的战略挑战者 并希望自己最终能够站上世界赛舞 能上下旋转调整角度 报告最后提醒用户 对电脑性能要求较高 风险 会议举行了宪法宣誓仪式 全球科技冷战 晕镜 制定了世界上最有效的全球贸易和 这意味着中国制定国际标准遭遇的 党组副书记等职务 但是从未披露令人信服的数据 一开始觉得很不可思议 汽车除异味除甲醛活性炭包 抬高其双腿 年来 之前法国一家消费者权益组织发起 更要有新作为 职业电竞发展 她将从零开始 绝地求生 但是挖矿木马却是从月号辅助程序 但不能说中国是在填补权力真空 刘国中 报告撰写人之一 他完全是吞噬了一件可成长型林永
版权所有:AG86..com- prmtg.com     电话:0371-912659     手机:132388545
本程序由 AG86..com-prmtg.com制作