Top
首页 > 正文

小数据人工智能的巨大潜力

2021年9月,美国安全与新兴技术研究中心(CSET)发布《小数据人工智能的巨大潜力》报告。报告认为,人工智能不完全依赖大数据,“小数据”方法可以针对标记数据不足的情况提供替代性解决方案,拥有巨大人工智能潜力。
发布时间:2022-05-07 09:11        来源:赛迪智库        作者:刘丽超 刘雪宁

微信图片_20220507090726

2021年9月,美国安全与新兴技术研究中心(CSET)发布《小数据人工智能的巨大潜力》报告。报告认为,人工智能不完全依赖大数据,“小数据”方法可以针对标记数据不足的情况提供替代性解决方案,拥有巨大人工智能潜力。报告介绍了迁移学习、数据标记、人工数据生成、贝叶斯方法以及强化学习五类小数据方法,分析了各类方法在人工智能应用方面的优势,并通过对论文研究集群的统计分析探究了小数据方法研究进展、领先国家相关领域竞争力分析及研究资金投入情况。赛迪智库信息化与软件产业研究所对报告进行了编译,期望对我国有关部门有所帮助。

一、“小数据”方法的分类

1、迁移学习(Transfer learning)。

2、数据标记(Data labeling)。

3、人工数据生成(Artificial data generation)。

4、贝叶斯方法(Bayesian methods)。

5、强化学习(Reinforcement learning)。

二、“小数据”方法的意义

1、减少大小实体之间的能力差异。

2、减少收集大量个人数据的动机。

3、推动在可获得数据点较少的领域取得进展。

4、规避脏数据问题。

三、研究发现

1、各类别“小数据”方法研究进展。

2、“小数据”方法领域各国竞争力分析。

3、“小数据”方法研究的资金投入情况。

四、研究结论

1、人工智能不等同于大数据,尤其是不等同于预先标记的大型数据集。

2、迁移学习相关研究的增长尤其迅速,甚至比范围更广、更为人熟知的强化学习领域增长更快。

3、美国和中国正在小数据方法领域竞争激烈,美国在强化学习和贝叶斯方法这两个最大类别中居于领先地位,中国则在增长最快的迁移学习类别中保持微小但不断增长的领先优势。

4、美国政府可能会在迁移学习领域进行更多投资。

点击小数据人工智能的巨大潜力查看下载全文

专题访谈

合作站点
stat