深度学习的局限性和挑战

深度学习的局限性和挑战

尽管主流DLNN获得了成功（报告结果已与人类能力相当或优于人类），引发大量宣传，媒体对他的兴趣也日益加强，但仍有许多未解决的问题和不足：

1. DLNN内部架构缺乏透明度（有许多临时决策和参数，如层数、神经元和参数值）；
2. DLNN的训练过程耗费大量数据、时间和计算资源，这使得他们无法开展实时训练和适应，也因而无法应对数据的演变特征（他们具有固定结构和设置，如类别数量），并且他们无法“从零开始学习”；
3. DLNN容易过度拟合；
4. DLNN无法处理不确定性。他们不仅在与训练数据明显不同的推理数据上表现不佳，而且他们自身也意识不到这一点（这意味着实际上不可能分析错误和失败的原因）；他很容易被骗，因而即使是在面对无法识别的图像时也会输出高可靠度分数；