这项研究是基于这样的思考：人类往往会倾向于根据自己的经验和看到的例子去思考并做出决定。例如，儿童也许能从他父母谈话的几个单词就知道他们正在谈论夏令营，因为他们去年去过，并且他们知道“month,” “lake” 和“counselors”这样的单词只会在这种情况下一起使用。
然而，如果我们在某一个特定的领域经验有限或者也许没有经验，一点点的帮助可能都是必要的——这正是 Bayesian Case Model 发挥作用的地方。给定一组数据，如食谱，模型会基于他们最突出的成分和给定食谱集中的代表实例或原型比较分类，这个给定的食谱也是计算机选的。
例如，尽管我不知道啤酒、辣椒粉和番茄酱中有相同的成分辣椒，但当我发现该模型被视为典型的辣椒食谱，我就可以断定该食谱中包含辣椒。事实上，麻省理工学院的研究人员 Cynthia Rudin 和 Julie Shah 发现，不仅他们的模型执行比以前的技术更准确，而且人类测试人员使用 Bayesian Case Model 技术的输出比以前技术能显著提高分类食谱的速度。
Julie Shah （左）和 Been Kim
这种技术在某些特定领域应该使用更加复杂类型的数据。
即使不是这种模式本身，随着数据集超过人们的分析能力，这种类型的工作也可以非常有用。非监督机器学习和人工智能模型，例如，从软件方面的 Ayasdi 以及谷歌著名猫脸识别深度学习系统已经可以通过大量的数据和识别类似的事情，但任何工具只有准确和简单的帮助人类辨识它所发现的才会有用。完整的论文点击这里。
原文链接： Researchers build pattern-recognition model that acts like a human
相关文章
