Google发布TensorFlow Lattice，先前知识推动灵活性提升

原创 2017-10-18 Google 谷歌开发者

https://v.qq.com/txp/iframe/player.html?vid=g0562rwsmf4&width=500&height=375&auto=0
机器学习使用高度灵活的模型来捕获复杂的输入/输出关系，已在许多应用领域取得了巨大进步，其中包括自然语言处理和计算机视觉与建议系统。

不过，还未解决的一项挑战是在分析遵守已知全局关系并具有一定语义意义的输入（例如，“如果交通拥堵，行驶一段路程的预估时间将增加，否则将保持不变。”）时存在问题。DNN 和随机森林一类的柔性模型可能无法学习这些关系，因此，也无法很好地泛化到从与训练模型所用的示例不同的抽样分布中绘制的示例。

我们发布了 TensorFlow Lattice，它包含一套易于使用的预构建 TensorFlow 估算器和 TensorFlow 运算符，可以帮助您构建自己的点阵模型。点阵是多维内插式查找表，与几何教材封底近似于正弦函数的查找表类似。为了模型更好地泛化，我们充分利用查找表的结构来满足您指定的单调关系，这种结构能够通过使用多重输入估计任意柔性关系的方式进行键控。也就是说，查找表值在训练后可以最大程度减少训练示例上的损失，同时，查找表中的邻近值将限制为沿着输入空间的给定方向增大，从而让模型输出在这些方向上增大。

重要的是，由于可以内插在查找表值之间，点阵模型非常平滑，预测也有边界限制，这有助于避免测试时出现虚假的大或小预测。

在 GitHub 上查看 TensorFlow Lattice 源代码，请回复公众号“Lattice”获得链接。