诺丁汉大学副教授科林·约翰逊（Colin G. Johnson）最近开发了一种深度学习技术，该技术可以从一组问题的样本解决方案中学习所谓的“拟合函数”。
这项技术发表在Wiley的Expert Systems期刊上的一篇论文中，最初经过培训以解决魔方，这是匈牙利雕刻家Ern?Rubik发明的流行的3-D组合拼图。
进行这项研究的研究人员之一科林·约翰逊（Colin G. Johnson）告诉TechXplore：“我们的论文旨在利用机器学习来学习解决魔方的问题中国机械网okmao.com。”
“ Rubik的多维数据集是一个非常复杂的难题，但是大量的组合中的任何一个都最多是解决方案中的20个步骤。因此，我们在这里采用的方法是通过学习分别执行每个步骤来尝试解决问题。”
约翰逊（Johnson）设计的技术基于两种主要方法：逐步学习和深度神经网络的使用。当应用于Rubik的多维数据集时，该技术将尝试逐步对其进行解读，而不是立即学习求解整个多维数据集。
换句话说，它尝试移动其零件以实现更简单的配置，重复此步骤几次，直到解决了多维数据集。
约翰逊解释说：“程序不是尝试学习如何解决整个多维数据集，而是学习如何将其简化为简单的配置，然后采用该简单的配置，以此类推，直到解决为止。”
“这种结构意味着解决方案的每一步都容易得多。因此，我首先设计了一种方法，该方法可以通过模拟多维数据集的成千上万次来估算多维数据集的混乱程度。”
Aiagram展示了研究人员开发的深度学习技术如何解决Rubik的魔方。
它从许多加扰的多维数据集的副本开始，然后找到它们的一些简化版本，然后找到它们的一些简化版本，依此类推，直到找到解决方案为止。
然后，它通过所有这些进行回溯以找到解决方案的途径。
在估算了Rubik立方体的混乱程度之后，Johnson创建的技术使用了一个深度神经网络来识别一个立方体，该立方体距离要求解的步骤仅一步之遥，然后离求解步骤仅一步之遥，三步之遥，依此类推。最后，它使用积累的数据来求解多维数据集。
约翰逊（Johnson）评估了他在一系列实验中开发的技术，并将其与先前开发的基于一类称为随机森林分类器的算法的方法，基于传统基于错误的适用性的基线方法以及其他现有的计算技术进行了比较。
他的深度学习技术可以与所有这些替代方法相提并论，同时还强调了逐步解决任务的优势。
到目前为止，Johnson仅使用了这种逐步学习的技术来解决Rubik的多维数据集，但是它也可以应用于可以逐步解决的各种更复杂的问题。
换句话说，Rubik的多维数据集只是该技术可以解决的问题类型的简单示例。
约翰逊说：“想想一个问题，例如从蜡缸或早期留声机唱片之类的旧音频录音中去除噪音。”
“我们需要消除不同类型的失真-回声，静态，可变速度-但每个录音都需要采取不同的策略。如果我们可以了解“干净录音”的概念，那么稍微失真的录音就是“稍微失真的录音” “是的，我希望我们可以逐步解决这种问题。”
将来，约翰逊（Johnson）最近的论文中介绍的逐步深度学习技术可以用于解决根源于科学和工程学的许多其他问题。
例如，它可以用于研究和更好地理解蛋白质在生物细胞内部折叠的方式。