【周志华】“数据、算法、算力” 人工智能三要素，在未来要加上“知识”！

周志华：“数据、算法、算力” 人工智能三要素，在未来要加上“知识”！

事实上，在人工智能领域有一个长期存在的“圣杯”问题（真正的问题），就是我们什么时候能够把机器学习和逻辑推理很好地融合起来

演绎：“从一般到特殊”
归纳：“从特殊到一般”
反绎：大致是把演绎反向嵌入到机器学习归纳过程中去，它是首先从一个不完备的观察出发，然后希望得到一个关于某一个我们特别关心的集合的最可能的解释

看图猜含义（部分图案含义已知，部分未知），逻辑先验是三种历法表示同一天

传统监督学习

反译学习

反绎学习的设置不太一样。我们有一些样本，但只有样本的表现，不知道结果。这就类似于刚才在玛雅这个故事里面我们看到很多图像，但这个图像对应的含义是什么还不知道。反绎学习中假设有一个知识库，这就类似于刚才考古学家所拥有的关于历法的知识。同时我们还有一个初始分类器，这就好比说考古学家一开始看到这个图像，他会猜这个图像到底是什么？那么他凭什么猜呢？是他脑子里面有这么一个分类器。

在这个学习中，我们先把所有的数据提供给这个初始分类器，这个初始分类器就会猜出一个结果，比方说红色的可能是1等等。然后得到这个结果之后，我们就会把它转化成一个知识推理系统它能够接受的符号表示。比如说从这些label里面，得到了A，非B，非C等等。

那么接下来这一步，我们就要根据知识库里面的知识来发现有没有什么东西是不一致的？刚才在玛雅历法的故事里，第一轮就一致了，但在一般的任务中未必那么早就能发现一致的结果。

如果有不一致，我们能不能找到某一个东西，一旦修改之后它就能变成一致？这就是我们要去找最小的不一致。假设我们现在找到，只要把这个非C改成C，那么你得到的事实就和知识都一致了。我们就把它改过来，这就是红色的这个部分。那这就是一个反绎的结果。

而反绎出来的这个C，我们现在会回到原来的label中，把这个label把它改掉，接下来我们就用修改过的label和原来的数据一起来训练一个新分类器。这个过程可以不断地迭代下去。这个分类器可以代替掉老的分类器。这个过程一直到分类器不发生变化，或者我们得到的事实和知识库完全一致，这时候就停止了。

左边这一半就是在做机器学习，而右边这一半是在做逻辑推理。而且，它不是说一头重一头轻，而是这两者互相依赖，一直这样循环处理下去，这么一个过程

有几点内容我们来讨论一下。首先我们看这个数据部分。在反绎学习中，这个数据只需要有instance，不需要有label。那么我们靠什么来做监督学习呢？主要就是靠初始分类器以及知识库中的知识。

可以认为这个监督信息是来自于数据之外的地方，所以从这个角度上说，反绎学习可以看成是一个很广义的弱监督学习

反绎学习本身也可以认为是一个对知识精化的过程