人工智能新突破：计算机正在学习从更高维度观察世界( 八 )_神译局是36氪旗下编译团队

Cohen知道，提高神经网络数据效率的方法之一是预先对数据进行特定的假设——比方说，一张图像内的肺肿瘤经过旋转或者镜像后仍然是肺肿瘤。通常，卷积网络必须用同一模式在不同方向上的许多样本进行训练来从头学习才能掌握这一信息。 2016年， Cohen和Welling合作撰写了一篇论文，文章定义了如何将其中的一些假设以几何对称方式编码进神经网络。这种方法效果很好，好到2018年时， Cohen和共同作者Marysia Winkels甚至把它进一步推广到CT扫描识别肺癌。成果是可喜的：他们的神经网络只用了其他神经网络所用数据的十分之一即可识别出这种疾病的视觉证据。

阿姆斯特丹的研究人员不断地进行归纳。他们及时这么找到规范等变的。

\n等变的延伸 \n

物理和机器学习有着基本的相似之处。就像Cohen所说那样：“两个领域都牵涉到做出观测，然后建立模型来预测未来的观测。 ”他指出，关键的一点是，这两个领域寻求的都不是对事物个体建模（氢原子一种描述，倒过来的氢原子是另一种描述是不好的），而是对事物的一般类别建模。 “当然，物理学在这方面已经非常成功。 ”