（文章來源：教育新聞網）

RIKEN高級智能項目中心(AIP)的研究團隊成功開發了一種新的機器學習方法，該方法可讓AI在沒有所謂“負數據”的情況下進行分類，這一發現可能導致更廣泛地應用于機器人。各種各樣的分類任務。

對事物進行分類對于我們的日常生活至關重要。例如，我們必須檢測垃圾郵件，偽造的政治新聞以及諸如物體或面孔之類的平凡事物。使用AI時，此類任務基于機器學習中的“分類技術”-讓計算機使用分隔正負數據的邊界進行學習。例如，“正”數據將是包含笑臉的照片，而“負”數據將包含笑臉的照片。一旦學習了分類邊界，計算機就可以確定某個數據是正還是負。這項技術的難點在于，學習過程需要正負數據，而且在許多情況下都無法使用負數據(例如，很難找到帶有“

在現實生活中，當零售商試圖預測誰將進行購買時，可以很容易地找到從他們那里購買的顧客的數據(正數據)，但是從根本上不可能獲得沒有購買的顧客的數據。向他們購買(負數據)，因為他們無權訪問競爭對手的數據。另一個示例是應用程序開發人員的一項常見任務：他們需要預測哪些用戶將繼續使用該應用程序(肯定)或停止使用(否定)。但是，當用戶退訂時，開發人員會丟失用戶的數據，因為他們必須根據隱私策略完全刪除有關該用戶的數據以保護個人信息。

RIKEN AIP的主要作者Ishida Takashi表示：“以前的分類方法無法應對無法獲得負面數據的情況，但是只要我們有信心分數，我們就可以使計算機僅學習正面數據成為可能。從購買意向或應用程序用戶活躍率等信息構建的積極數據。使用我們的新方法，我們可以讓計算機僅從具有信心的積極數據中學習分類器。”

Ishida與來自其小組的研究人員Niu Gang以及團隊負責人Masashi Sugiyama一起建議，通過添加置信度得分讓計算機很好地學習，置信度得分在數學上對應于數據是否屬于陽性類別的概率。他們成功地開發了一種方法，該方法可以使計算機僅從正向數據和有關其置信度(正可靠性)的信息中學習分類邊界，而不會對正向和負向劃分數據的機器學習分類問題進行學習。

為了查看系統的運行狀況，他們在包含各種時尚標簽的一組照片上使用了該系統。例如，他們選擇“ T恤”作為肯定類別，并選擇另一個項目(例如“涼鞋”)作為否定類別。然后，他們在“ T恤”照片上加上了置信度得分。他們發現，在某些情況下，無需訪問負面數據(例如“涼鞋”照片)，他們的方法與使用正面和負面數據的方法一樣好。

根據Ishida的說法，“這一發現可以擴大使用分類技術的應用范圍。即使在積極使用機器學習的領域中，我們的分類技術也可以用于新情況下，由于數據的緣故，只能收集正面數據法規或業務限制。我們希望在不久的將來將我們的技術用于各種研究領域，例如自然語言處理，計算機視覺，機器人技術和生物信息學?！?/p>

（責任編輯：fqj）