文章预览
环境场景的变化，深刻地影响在现实世界中运行的人工智能系统性能，这种影响范围遍及明显的灾难性故障到不考虑环境变化的非鲁棒行为。 近日，美国 南加利福尼亚大学（University of Southern California）Mayank Kejriwal等，在Nature Machine Intelligence上发文，设计了在开放世界(环境)中运行的机器智能，包括检测、表征和适应结构上意外的环境变化，也是构建解决复杂和相对不确定问题系统的关键目标。 还提出并区分了开放世界机器学习open-world learning (OWL)的三种形式——弱、半强和强——，并认为一个充分发展的开放世界机器学习系统OWL应该是抗脆弱 antifragile的，而不仅仅是鲁棒的。 抗脆弱系统的例子之一是免疫系统，不仅对不良事件具有鲁棒性，而且能迅速适应，并在随后的遭遇中更好地处理。因为，开放世界机器学习OWL方法必须能够处理意外情况，为
………………………………
