Meta(前身為 Facebook)近日在 GitHub 平臺發(fā)布一個名為 Bean Machine 的新項目，Meta 將 Bean Machine 定義為概率編程系統(tǒng)，能夠使人工智能模型中的不確定性更容易表示和學(xué)習(xí)。

Bean Machine 能夠用于開發(fā)特定領(lǐng)域的概率模型，并使用自動、不確定性感知學(xué)習(xí)算法自動學(xué)習(xí)模型中尚未觀察到的屬性。根據(jù) Meta 的說法，Bean Machine 與其他機器學(xué)習(xí)方法相比，提供的優(yōu)勢包括：

不確定性估計：

• 預(yù)測是通過概率分布形式被可靠的不確定性度量來量化的。分析師不僅可以了解系統(tǒng)的預(yù)測，還可以了解其他可能預(yù)測的相對可能性。

表達性：

• 能夠輕松的在源代碼中直接編碼豐富的模型，這允許人們將模型的結(jié)構(gòu)與問題的結(jié)構(gòu)相匹配。

可解釋性：

• 由于模型與領(lǐng)域匹配，因此可以查詢模型的中間學(xué)習(xí)屬性。這意味著用戶不僅可以使用“黑匣子”，還可以解釋為何會做出特定的預(yù)測，進而可以在模型開發(fā)過程中幫助開發(fā)者。

深度學(xué)習(xí)中包含兩種不確定性，即認知不確定性和偶然不確定性(Epistemic Uncertainty & Aleatoric Uncertainty)。認知不確定性可以描述由于訓(xùn)練數(shù)據(jù)并不合適導(dǎo)致模型不知道的內(nèi)容，而偶然不確定性是由觀察的自然隨機性產(chǎn)生的不確定性。只要有足夠的訓(xùn)練樣本，認知上的不確定性就會減少，但即使提供更多的數(shù)據(jù)，也無法減少偶然不確定性。

Bean Machine 對預(yù)測進行了量化，以概率分布的形式對不確定性進行可靠的衡量，這也使得開發(fā)者對 Bean Machine 的使用變得簡單而直觀 —— 無論是編寫模型，還是對其學(xué)習(xí)策略進行高級修補。

Bean Machine 建立在 Meta 的 PyTorch 機器學(xué)習(xí)框架和 Bean Machine Graph(BMG)之上，其中 BMG 是一個定制的 C++ 后端。感興趣的用戶可以訪問項目頁面，了解更多詳情。不過需要注意的是，Bean Machine 目前仍處于測試階段，API 可能會隨著項目的發(fā)展而產(chǎn)生變化。

本文地址：https://www.oschina.net/news/174746/meta-releases-bean-machine