计算机擅长在海量数据集中识别模式。相比之下，人类擅长从少数几个例子中推断模式。
在下周举行的神经信息处理系统学会会议上发表的一篇论文中，麻省理工学院研究人员介绍了一种新系统，它融合了这两种信息处理方式，使人类和计算机能够协作，做出更好的决策。
该系统通过处理数据来学习作出判断，但会将所学提炼成简单的例子。在实验中，使用该系统的人类受试者在分类任务中的表现，比使用基于现有算法的类似系统者高出20%以上。
“在这项研究中，我们探讨的是，能否改进一种机器学习技术，使其支持人们进行基于识别的决策，”麻省理工学院航空航天学副教授、新论文合著者朱莉·沙阿（Julie Shah）说。“这类决策是人们在作出战术判断时所做的，比如消防队或现场行动中的决策。当他们遇到新情境时，不会像机器那样进行搜索，而是尝试把当前情境与过去经验中的例子相匹配，然后想：‘好，这在以前的情境中奏效了。’接着，他们会根据新情境加以调整。”
具体而言，沙阿和她的同事——其学生金比恩（Been Kim），新论文以她的博士论文为基础；以及麻省理工学院斯隆管理学院统计学副教授辛西娅·鲁丁（Cynthia Rudin）——试图改进一种称为“无监督”的机器学习。
在监督式机器学习中，计算机接收大量由人类标注的训练数据，并尝试寻找相关性——例如，在标注为“汽车”的图像中最常出现的视觉特征。另一方面，在无监督机器学习中，计算机只是从非结构化数据中寻找共性。结果是一组数据簇，其中的成员以某种方式彼此相关，但这种关联可能并不明显。
寻求平衡
无监督机器学习最常见的例子是所谓的主题建模：系统根据文档中最具代表性的词语，将文档聚为一组。由于数据没有标签，系统无法实际推断文档的主题。但查看其输出的人类会得出结论，例如，以“法理学”和“上诉”为特征的文档是法律文书，而以“调性”和“和声”为特征的文档则是音乐理论论文。
麻省理工学院研究人员对无监督学习中通常使用的算法类型作出了两项重大改动。第一，聚类不仅依据数据项之间的共同特征，还依据它们与某个代表性例子的相似程度；研究人员将这个例子称为“原型”。
另一项改动是，新算法不再像主题建模算法那样，仅按重要性给共同特征排序，而是尝试将特征列表精简为一组有代表性的特征，研究人员称之为“子空间”。为此，算法会对过度扩大的子空间施加惩罚。因此，在创建数据簇时，它必须在三个有时相互竞争的目标之间取得平衡：与原型的相似度、子空间大小，以及簇与簇之间清晰的界限。
金解释说：“要描述一个好的子空间，就必须选出一个合适的原型。同时，也必须选对子空间，才能让原型说得通。因此，这些工作是同时进行的。”
研究人员首先在几项经典机器学习任务上测试新算法，以确保新增约束不会损害其性能。他们发现，在大多数任务中，新算法表现与前身相当；在少数任务中，它的表现甚至更好。沙阿认为，这可能是因为原型约束阻止算法组合出包含内部矛盾的特征列表。
例如，假设某种无监督学习算法试图描述一个群体中的选民。登记为民主党人的选民可能占多数，但在最近一次初选中投票的共和党人可能占多数。传统算法可能因此将典型选民描述为：登记为民主党人，却在最近一次共和党初选中投了票。原型约束会使这类结果极不可能出现，因为不会有任何单个选民符合这种描述。
实地测试
接下来，研究人员开展了一系列实验，以确定基于原型的机器学习是否确实能够改善人类决策。金从一个在线数据库中筛选出一组食谱，这些食谱此前已被归入诸如辣椒、意大利面和布朗尼等类别，并将其简化为配料清单。随后，她将这些清单分别输入传统主题建模算法和新的原型约束算法。
对于每个类别，新算法都找出一个代表性例子，而传统算法则生成一份常见配料清单。随后，24名受试者每人拿到16份新的配料清单。其中一些清单由新算法生成，另一些由传统算法生成，分配方式是随机的。对于新算法生成的清单，受试者的判断正确率为86%；对于传统算法生成的清单，正确率为71%。
本文由 麻省理工学院新闻部合作发布
作者：拉里·哈迪斯蒂是麻省理工学院的撰稿人。
图片：这张2013年2月28日拍摄于华沙的资料图片中，一名男子正在敲击电脑键盘。路透社。
