導讀： 在這個“智能+”的時代，是否有新的算法讓人工智能更具學習能力？國際知名人工智能領域專家黃廣斌給出了答案，開創性地研究出了ELM（超限學習機）理論和體系，突破了前30多年流行的前饋神經網絡以及20多年廣泛應用的支撐向量機的理論和技術瓶頸，打破了機器學習和生物學習之間的壁壘。

    OFweek機器人網訊：在這個“智能+”的時代,有沒有什么新的算法讓人工智能更具學習能力?讓人工神經網絡學習變得輕松愉快?國際知名人工智能領域專家黃廣斌給出了答案,開創性地研究出了Extreme Learning Machines(ELM,超限學習機)理論和體系,突破了前30多年流行的前饋神經網絡以及20多年廣泛應用的支撐向量機(SVM)的理論和技術瓶頸,打破了機器學習和生物學習之間的壁壘。

    黃廣斌,新加坡南洋理工大學電氣和電子工程學院全職終身教授,被Thomson Reuters 評為“2015 Highly Cited Researcher?”(工 程類,計算機科學類),是新加坡總統科學獎被提名人(2016),世界三大出版集團之一Elsevier數據管理顧問委員會顧問。黃教授的主要研究方向為大數據處理分析、腦機交互、人機交互、機器學習理論和技術等。
開宗立派,研究出人工神經網絡新的算法(超限學習機)
Extreme Learning Machine(ELM),即超限學習機,人工神經網絡研究中的一種算法,突破了前30年流行的前饋神經網絡以及近20年廣泛應用的支撐向量機(SVM)的理論和技術瓶頸。這一種全新的理論和學習方法的誕生充滿了詩意的偶然和科研的必然。
黃廣斌教授曾接受采訪說過,一開始埋頭研究,暫時找不到明確的答案,為避免太壓抑,閱讀文學作品放松。第七次讀《三國演義》,腦中浮現書里各色鮮活人物時,他突然意識到,過去的數百萬年產生了數萬億人類和動物,都有著不同大腦,卻很難在這么多的大腦中安裝用于不同的應用和任務的不同學習算法。黃教授想到可能會出現一些通用的學習算法,可以安裝在這數萬億個不同的大腦中,用于不同的應用和任務,而大腦中的這些算法都應該和數據和應用相互獨立無關的。
就在當天凌晨黃廣斌教授得到靈感,測試了 data-independent 算法,最終將該算法命名為超限學習機。ELM和SVM/LS-SVM、Deep Learning(深度學習)相比,準確率高,簡單易用,學習速度可以快幾千到幾萬倍;而且為回歸擬合(function?approximation)?,二類(binary?class)和多類(multi-class)分類應用問題提供了統一的解決方案。ELM不僅能有效的應用于稀疏數據,也能有效用于大數據的學習處理。
ELM理論最近也得到了生物和腦神經學的直接生物驗證,彌補了機器學習和腦學習機制之間的空白,解決了計算機之父馮?諾依曼60年前的關于人腦和計算機結構和能力的困惑�，F在ELM已經被越來越多的用在模式識別,基于腦電波的疾病診斷預測,腦機交互,人機交互,圖像處理,人臉識別,人的姿勢手語識別,手寫體識別,目標識別,衛星圖象實時遠程遙感,網絡安全,從低分辨率圖像構造超分辨率圖像等等。
想知道ELM的深刻意義嗎?想知道人工智能學習能力究竟到了哪種程度以及未來趨勢嗎?關注第四屆中國機器人峰會,聽黃廣斌教授現場解說。
     本文由深圳優旺特科技有限公司轉自：http://robot.ofweek.com/2017-04/ART-8321205-8600-30126596.html