4月25-29日，2022年第10屆國際表示學習大會(ICLR)以線上的方式召開，這也是從2020年開始，ICLR連續三年在線上舉辦。但這絲毫不影響這個只有10年歷史的“年輕”學術會議，被學術研究者們廣泛認可，成為 “人工智能學術會議領域的一匹黑馬”。

隨著人工智能領域的快速發展，近年來，深度學習在語音識別、圖像分析和自然語言處理領域得到了廣泛的應用和發展。深度學習的基礎是機器學習，當然對于機器學習而言，僅學會深度學習是遠遠不夠的，通過學習獲得特征向量的“表示學習”才是人工智能的進階之路，這也是“表示學習”這個“陌生名詞”近年來在人工智能領域，逐漸占據舉足輕重位置的重要原因。

○ ○ ○

傳統機器學習很依賴人工

表示學習一詞由英文的“representation learning”而來，也會被稱為表征學習，目前業界還沒有統一的叫法。

眾所周知，數據是機器學習的核心，它決定了機器學習的上限，有至關重要的作用。在人類和大量數據的幫助下，電腦可以表現得十分強大，但是離開了這兩者，它甚至都不能分辨一只貓和一只狗。

事實上，這并非調侃，因為傳統的機器學習非常依賴于人工經驗。

舉個例子來說，在計算機當中，我們要把一張臉保存起來并識別，需要程序員自己編寫一串代碼，用以表示人臉。這種方法雖然理論上可行，但是畢竟是人確定的，人難免會出錯，一千張人臉就得寫一千種代碼，與其說是人工智能，更像是“人力工程”。

并且，機器學習的模型通用性往往較差，很難像人一樣，能夠進行快速靈活地學習與應用。比如教一個咿呀學語的小朋友“什么是蘋果”，大人只需要指著蘋果說“蘋果”十幾次甚至幾次，孩子一般就能快速識別各種顏色和形狀的蘋果。但對于機器來說，需要看幾千個甚至幾萬個蘋果的照片才能做到，再復雜一些的語音識別，則可能需要數百萬個示例。

為什么會出現這種情況?令人遺憾的是，這些問題至今還沒有確切答案。編碼是處理信息的第一步，那么人類是如何對圖像進行編碼的?他提取了哪些特征可以通過少量樣本進行學習?這些我們都還不清楚，但這至少給科研人員確定了一個方向，必須對機器進行訓練，讓它們自己掌握確定向量的能力，才能向人腦的方向進化。

○ ○ ○

給機器“授之以漁”

因此，表示學習的概念開始被引入。簡單來說，在機器學習領域，表示學習就是一種將原始數據，轉換成為更容易被機器學習應用數據的過程。

表示學習中，有兩個核心問題非常關鍵，一個是“什么是一個好的表示”，另外一個則是“如何學習到好的表示”。

表示學習的目的，是把復雜的原始數據化繁為簡，把原始數據提煉成更好的數據表達，使后續的任務事半功倍。這與我們耳熟能詳的諺語“授之以魚不如授之以漁”頗有些相似，只不過到了計算機領域中，這種“漁”變得更加復雜和抽象起來。

清華大學計算機學院教授鄧志東告訴記者：“表征(表示)就是分層特征向量表達的意思，所謂表征(表示)學習，說的就是深度卷積神經網絡，某種意義上，也可以看成是深度學習的另一種說法和表述。”

深度學習是當前機器學習的一個熱門領域，也被認為是第三次人工智能浪潮發展的助推器：相對于淺層學習依靠人工經驗抽取樣本特征，獲得的沒有層次結構的單層特征而言，深度學習通過對原始信號進行逐層特征變換，將樣本在原空間的特征表示變換到新的特征空間，自動地學習得到層次化的特征表示，從而更有利于分類或特征的可視化。

所以從本質上來看，表示學習是深度學習的進階版：“表示學習的算法包括了監督、半監督、強化和無監督學習方法等多種，范圍比完全監督的深度卷積神經網絡更寬廣，研究的意義也就更深遠。”鄧志東說。

日常生活中，表示學習也有不少具體的應用案例：例如我們日常使用的“小紅書”“大眾點評”“美團”“淘寶”等手機應用，首頁推薦欄目的內容來源，就是利用表示學習的算法特點，記錄用戶瀏覽時的商品特征、狀態與上下文信息，最終形成的內容。

同時，表示學習在認知過程當中，也發揮著非常重要的作用。比如人們研究開發自動駕駛技術的核心目的，就是讓機器認知事物，利用機器代替人類，實現防止前方碰撞、防止偏離車道、保持車距等。

○ ○ ○

能“解決婚戀”的ICLR

表示學習從結構上講是數據的一個預處理手段，就如同當下的人工智能發展水平，表示學習還有很多不盡人意之處，對它深層次的邏輯和方法，也有很多可以挖掘和探討的內容。

因此在2013年，國際表示學習大會(ICLR)誕生了，ICLR最早從國際人工智能及統計會議中脫胎，是由深度學習三大巨頭之二的約書亞·本吉奧和楊立昆牽頭創辦的。

本吉奧是蒙特利爾大學教授，他領導的蒙特利爾大學人工智能實驗室(MILA)是世界上最大的人工智能研究中心之一，與谷歌有著密切的合作。楊立昆不僅是Facebook首席人工智能科學家和紐約大學教授，還是圖靈獎獲得者，被譽為“卷積神經網絡之父”。

在ICLR之前，人工智能、深度學習領域的學術會議，還缺乏一個場所，能讓學者們交流分享在表示學習中所遇到與關心的話題，而ICLR 的出現恰好彌補了這樣的空白，所以ICLR得到了快速的發展。

此外ICLR推行的Open Review (公開評審)論文評審制度，也讓參與者紛紛拍手叫好：根據規定，所有提交的論文都會公開姓名等信息，任何學者都可或匿名或實名地評價論文。而在公開評審結束后，論文作者也能夠對論文進行調整和修改。

2020年，人們在瀏覽ICLR論文時“震驚”地發現，一名叫Yu Rong的中國年輕人論文在致謝部分一本正經地寫道：“本研究受國家科技部重大專項資助。另外，Yu Rong特別要感謝Yunman Huang多年來的關愛和支持，你愿意嫁給我么?”

論文中求婚得到了積極的反饋，被求婚的這位女士在社交媒體平臺上進行了回復：“我就是被求婚的這位!作者已經成功了!”隨即網友們也紛紛送上了祝福。

至此ICLR開始迅速“出圈”。甚至有人調侃，在ICLR上發布論文不僅能夠普及學術成果，獲得“科學食糧”，還能夠增加求婚成功的幾率，高效解決當下年輕人婚戀問題，播下“愛情的種子”，可謂一舉多得。

不到10年的時間，ICLR已經成長為人工智能、深度學習領域最具看點的學術會議，未來可期。這是表示學習本身快速發展的一個縮影，也從另一方面說明，表示學習可能正在成為推動人工智能新一輪快速發展的又一“利器”。

關鍵詞： 人工智能 語音識別 圖像分析 自然語言處理