专访 | 清华大学朱军：深度学习“盛行”，传统方法何去何从？

记者 | 何永灿

朱军博士是清华大学计算机系长聘副教授、智能技术与系统国家重点实验室副主任、卡内基梅隆大学兼职教授。2013年，入选IEEE Intelligent Systems的“人工智能10大新星”（AI’s 10 to Watch）。他主要从事机器学习研究，在国际重要期刊与会议发表学术论文80余篇。担任国际期刊IEEE TPAMI和Artificial Intelligence的编委、国际会议ICML 2014地区联合主席、以及ICML、NIPS等国际会议的领域主席。

清华大学计算机系长聘副教授 朱军

近日，朱军博士接受了CSDN的专访，采访中分享了目前最新的研究进展，深度学习与传统机器学习如何融合发挥最大作用，成为优秀青年科学家的必备特质，以及在CCAI 2017上的分享与筹备工作。

7月22-23日，中国人工智能大会（CCAI 2017）将于杭州国际会议中心举行，朱军将作为“人工智能青年论坛”共同主席主持会议，欢迎青年学者到现场参与讨论。

深度学习 VS. 传统机器学习

CSDN：在深度学习“盛行”的大环境下，如何看待相对来说比较传统机器学习（如支持向量机、贝叶斯学习、决策树等）？

朱军：这个问题可以从两个方面来看：

• 首先，深度学习不是万能的，它虽然在特定任务上取得了显著性能提升，但也面临着很多挑战，比如：对抗样本的鲁棒性、可解释性、处理不完全信息与不确定环境等，随着应用范围的扩大，深度学习不擅长解决的问题会逐渐明显，未来肯定会有更好的机器学习方法出现，或许还叫“深度学习”也可能是其他的名字。
• 其次，深度学习不是孤立的，它的进展与所谓的“传统机器学习”是分不开的，不能把功劳都归于“深度学习”，例如：用于保护深度神经网络避免过拟合的Dropout技术实际是一种贝叶斯学习方法，用于AlphaGO的深度神经网络需要在强化学习框架下发挥作用等。

因此，学术界和工业界都应该更客观地看待深度学习，它的优点可以与其他机器学习方法共融，比如已经取得很多进展的贝叶斯深度学习、深度产生模型（如GAN）等。同时，它的缺点也需要从其他方向寻求改善，比如：我们最近从信息论的角度出发，设计了一种新的训练准则和测试准则，可以显著提升深度神经网络（如CNN,VGG,ResNet）对对抗样本的鲁棒性；另外，我们与清华大学的刘世霞老师合作