人工智能近期的进展显示，通过构建多层的深度网络，利用大量数据进行学习，可以获得性能的显著提升。目前，以神经网络为主的深度学习技术已经在众多领域获得应用，包括图像识别、人脸识别、自然语言处理等。但是，深度神经网络模型也面临多方面的挑战，其预测结果往往过于乐观，即“不知道自己不知道”。例如，对于分类的神经网络，模型的输出通常是一个“归一化”的向量（概率），使用者常把此概率解释成“置信度”，但实际上它并不能客观地反映不确定性。给定“猫”和“狗”两类训练数据，学习一个分类器，左边为“猫”类，右边为“狗”类。对于一个“无穷远”的测试数据，该分类器会非常“确信”地分为“狗”（或者“猫”）。但实际上，该测试数据已经远离训练集，具有“很高”的不确定性。为了让人工智能系统明确边界，“知道自己不知道”，需要合理地处理不确定性。不确定性一般分为两个方面：
此文由 怡心湖 编辑，若您觉得有益，欢迎分享转发！：首页 > 常识论 » 什么是贝叶斯深度学习？