肖坚

摘要：本文对小样本类人概念学习与大数据深度强化学习进行对比分析，文中对大数据深度强化学习、小样本类人概念学习两者含义、发展、优劣等进行了探讨，最后对两者进行总体比较。

关键词：小样本学习;类人概念学习;深度强化学习;对比

在现代计算机发展的过程中，机器学习是现阶段较为新颖的领域，但实际上是极为宽泛的概念，大数据深度学习与强化学习是其中较为重要的分支，深度强化学习则是两种学习算法的融合。小样本类人概念也是较为新颖的概念，相比于深度强化学习，其有更多待发掘的内涵。

一、大数据深度强化学习

深度学习最初发展于2006年，是一种机器学习中隐藏建模数据分布、多层表达的算法。换言之，深度学习算法能够对分类中需求的底层或者高层特征的自动提取。所以深度学习算法对于数据特征能够进行更好的进行表达，同时因为模型参数和层次多，容量也极大，能够进行大规模数据表示，对于语音、图形此类特征不明显数据，能够使用深度学习算法进行大规模数据训练，效果也能够保证良好。深度学习算法模型中，会把特征与分类器进行结合，形成一个框架，之后使用数据进行特征的学习，以此也使得使用中手工提取特征这一工作减少，学习算法中的工作量大大降低，因此使用便利、效果良好。深度学习算法使得数据处理中语音及图像的识别得到极大推动。

强化学习则是一种连续决策过程，该算法的最大特点就是对任何数据都不会进行标注，只会提供唯一回报函数，这一函数对当前状态结果有着决定性的影响。从数学的额角度来看，也是马尔科夫决策过程。强化学习最终的目标是使得决策过程中整体回报函数期望最优化。在经过神经网络结构，深度学习算法对于较多实际问题有了解决办法，比如图像搜索、人脸识别、色情语言识别、实时翻译等。强化学习与深度学习的融合，使深度学习得到更为长远的发展，比如进行游戏深度学习网络的建立，就能够在强化学习的支持下，实现自己与自己对战，不断实现自我的进化。

二、小样本类人概念学习

深度学习在得到开发前，人工神经网络也曾风靡一时。上世纪八十年代末，人工神经网络中应用的反向传播算法出现，使得以统计模型为基础的机器学习得到发展。此前，有研究人员希望通过BP算法使人工神经算法模型从训练中学习统计性的规律，以此使其获得对未来进行预测的能力。BP算法无法实现这一目标，所以在上世界九十年代这一浪潮便逐渐平息。但是在BP算法的发展过程中，也有了更多的新奇思路，使以统计为基础的机器学习算法和以人工规则为基础的系统得到对比，明确了以统计为基础的机器学习算法在较多方面都拥有先天的优势。但深度学习也并非无所不能，科学进步都存在一定两面性，一方面是优势提升，一方面是限制增大。

在机器学习的整个行业而言，深度学习对于行业所要求的人工智能需求也是难以达成的。深度学习是以大数据为基础，在多层网络的处理下实现抽象概念理念，这也说明在进行应用中，数据越多则拥有更好的效果。但是也即是说，在没有大数据支持的情况下，或者数据量较小的情况下，便无法进行学习。人类知识与深度学习有一定相似之处，都是通过积累所得，但人类在知识的没有积累的情况下，也可以根据形貌进行分析、学习，进而模仿。深度学习从这一方面来看，与人类智能还存在较大的差距，人类在陌生环境中可以通过学习来对变化进行适应。所以类人概念学习的发展过程中，对于深度学习存在的弊端进行改良，可以再没有大数据的情况下自行学习，这一概念也被研究者称为小样本学习。

小样本学习早在神经网络出现之前就已经被提出，而关键核心为贝叶斯规划学习，也被称作BPL方法。该方法是通过参数先验分布，使用小样本数据进行后验分布的计算，进而得到总体分布。该方法是使用概率进行所有形式不确定性的标识，通过概率规则来进行推理和学习。BPL方法是以人类思维作为基础的方法，即能够不依赖大量数据来进行学习，只需要小样本便能迅速进行学习精髓。拿汉字为例，将一个汉字作为小样本使用BPL方法进行学习，很快便能够学习到精髓，并写出该汉字，甚至能够将其他类似文字写出。因为该方法每个训练样本都能进行增量升高或降低一种假设估计概率，BPL方法也顺利达成视觉图灵测试要求，而其他算法对于某一假设和其他任何样本不统一时，将假设摒弃。BLP方法在进行应用中，对于概率初始知识有所要求的，在概率位置的情况下可以根据数据、背景知识、基准分布假设来进行此类概率的估算。

三、小样本类人概念学习与大数据深度强化学习的对比分析

通过上文对两个学习算法的分析来看，深度学习算法在现阶段中已经获得重大成功，但是在未来发展过程中其也具有较大的局限性，最为突出的便是深度学习使用的效果是与数据量成正比的，同时在较多任务中表现一般;而BPL方法则对机器学习、认知科学、人工智能有着极大贡献，在未来发展中也具有一定前景。深度学习对于计算机中的大数据处理需求进行了满足，实现大量数据中习得抽象概念;BPL方法使得样本量小的情况下机器学习实现，能够对小样本进行学习、决策。更加形象化的理解，深度学习能够对规律、趋势进行分析和预测，而BPL方法则能当机立断，举一反三;深度学习与人类阅读书籍一样，积累会形成相应的判断能力，BPL方法则是通过个案学习来进行迅速化的决策。

四、结论

本文对两种学习算法进行了分析和对比，明确了两种算法自身存在的有点及缺陷：小样本类人概念学习算法具有通过小样本学习迅速决断的能力，但有一定概率错误，尤其在先验概率为形成的情况下;大数据深度强化学习通过大量数据的学习，来形成判断能力大，判断也有错误概率，但相对BPL更小，但明显依赖大数据数量。在应用中，兩者并非是互相对立的，反而能够通过借鉴、互补实现学习算法进一步发展。

参考文献

[1]崔小洛，栾晓飞，基于深度强化学习的图像修复算法设计[J].物联网技术，2019（06）：58-60.

[2]李旭，曹继征，大数据在公安交通管理中的应用探讨[J].环球市场，2018（09）：166-167.