人工智能伦理

图3.61 基于决策树的水果分类：特征“颜色”“尺寸”“形状”有各自的取值。“紫葡萄”的知识没有被表示出来

如果用特征及其取值（称为“特征值”）来刻画状态，叶节点是某个动作，决策树就是从状态空间到动作空间的一个映射。例如：

$$
\begin{array} { r } [ \begin{array} { l } { \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 5 } } \\ \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac { 1 } { 6 } \frac \end{array} \end{array}
$$

$$
\begin{array} { r } [ \begin{array} { l } { \frac { 1 } { \hbar } \frac { \dot { \sigma } _ { 1 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 1 } } { 2 } } \\ \frac { 1 } { \hbar } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 1 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 1 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } { 2 } \frac { \dot { \sigma } _ { 2 } } 2 \end{array} \end{array}
$$

机器学习可以采取这样的策略：区分识别问题和决策问题，把它们交给各自的专家来解决。譬如，图像分析用任何学习机（如深度神经网络）来判定这些特征的取值，再结合这棵决策树共同实现物体识别。

图3.62 对象间的总体特征越接近（如葡萄和提子），能区分二者的特征就越重要

决策树是否准确和全面直接影响判别效果。例如，图片中“紫葡萄”的颜色、尺寸、形状被识别出来，但决策树（图3.61）并不知其为何物。如果把“紫”改为其他颜色，则它被判定为“提子”或“葡萄”或“樱桃”。再如，没熟的“绿香蕉”图片也把系统问住了。如果把“绿”改为其他颜色，则它很自然地被判定为“香蕉”。

图3.63 绿香蕉和黄香蕉仅仅差别在颜色上，哪怕香蕉的训练样本和知识表示中颜色都是“黄”，也丝毫不影响将绿香蕉识别为“香蕉”

上述分类的例子可以一般化为，在训练模型时没有某类数据，然而在应用模型时又需要处理该类数据。利用知识表示有助于解决这种零样本学习（zero-shot learning）的问题。人类积累了大量现成的知识可以直接教给机器，没有必要让机器什么都从数据中挖掘，是时候把注意力放在知识计算（knowledgecomputing）上了。

原则上，几乎所有机器学习问题都可以采用这种模式识别与知识表示协同解决的方案，在整体上提升模型的可解释性。另外 ， 这 种 学 习 策 略 有 助 于 实 现 迁 移 学 习 （ transferlearning）。例如，如果分类器没有“斑马”的样本和概念，基于特征的决策分类可能把它疑似地识别为“马”。这个分类虽然是错误的，但在语义上它们至少是接近的，聊胜于无。并且，有关“马”的一些知识可以迁移到“斑马”上。

NAUMANN

图3.64 “斑马”和“马”外形相似，这让初次见到斑马的人也能联想到它的许多属性

例3.4 类似例3.3，定义特征为主语、谓语和宾语。由特征和特征值组成的特征结构（feature structure）可用来描述句法–语义，例如，“阿Q告诉大家孔乙己偷书”可以表示为以下特征结构。

$$
\begin{array} { r l } & { \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } = \frac { \| \cdot \| _ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } } \\ & { \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } = \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } } \\ & { \phantom { \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } = } \left[ \begin{array} { c } { \frac { 1 } { \pm \| \cdot \| _ { \infty } ^ { \infty } } = \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } } \\ { \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } = \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } } \\ { \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } = \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } } \end{array} \right] } \\ & { \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } = \frac { \| \cdot \| _ { \infty } ^ { \infty } } { \| \cdot \| _ { \infty } ^ { \infty } } } \end{array}
$$