按 Enter 到主內容區
:::

司法院全球資訊網-LOGO

:::
吸收科技新知

智財法院邀于天立副教授談人工智慧之發展

    【本刊新北訊】為瞭解人工智慧技術的發展,智慧財產法院日前邀請臺灣大學于天立副教授主講「人工智慧與機器學習之發展」,由李維心庭長主持。

    于副教授首先說明人工智慧與機器學習的起源與發展,主要來自於對人類思考行為的觀察與模仿,在過去70年間並經歷了3次重大的轉變與革新。第一波人工智慧初始時期,約與20世紀50至70年代電腦技術出現的時期相同,主要的發展是搜尋技術與類神經網路;而搜尋技術發展巔峰即為深藍電腦(Deep Blue),並曾於1997年擊敗西洋棋世界棋王Kasparov。第二波則是20世紀80至90年代,發展重點是專家系統,即將人類的知識引入系統中,主要重在知識導向。第三波為2010年至今的研究,主要發展為資料導向,亦即資料本身的重要性超出演算法本身的重要性,主要的研究議題即為目前所熟知的機器學習與自動特徵擷取。

    另一個人工智慧初期的發展是類神經網路,即是模仿人類腦部神經元的運作,曾因電腦硬體的限制而停滯發展,現今隨著硬體技術的進步,此研究又再度活躍。為有效運用蒐集的資料,並使模型可順利的學習與驗證,于副教授亦解說Holdout cross-validation(保持交叉檢定)與k-fold cross-validation(K折交叉檢定)兩種交叉檢定方法,如重新安排輸入這些蒐集到的資料,可以更瞭解學習後的模型效能。

    至於深度學習為機器學習的一個子領域,即利用深層的神經網路做為前述具有可調整參數的模型,其可調參數即各神經元連結的權重。于副教授接著說明目前兩種廣泛應用神經網路的連接結構「捲積神經網路」與「遞迴神經網路」。捲積神經網路的運作原理與人類視覺皮層相似,非常適於影像辨識;2012年多倫多大學Alex Krizhevsky即利用捲積神經網路的深度學習結構,刷新了電腦視覺領域ImageNet競賽的記錄;深度學習結構錯誤率為16%,亦大幅超越過去電腦視覺領域的研究。遞迴神經網路則是利用遞迴結構造成一個內部狀態,可記憶網路的累積狀態,遞迴神經網路的一個延伸,即著名的長短期記憶單元,能使網路具有長時記憶的能力。

    最後于副教授介紹一種稱為自動編碼器的特殊神經網路架構,其包含編碼器與解碼器兩個部分。編碼器將原始數據壓縮到低維的向量,接著通過另外一個神經網絡,即解碼器,經解碼得到一個與輸入原數據相近的生成數據,藉由這樣的結構,我們可以得到原始數據的一個低維度表現,由於自動編碼器可提取出資料重要部分,因此可用於資料去雜訊。

    • 發布日期 : 107-12-28
    • 更新日期 : 108-11-15
    • 發布單位 : 參事室
    回頁首