神经网不爱也不恨作弊

三个要点
✔️这是神经网自然而然要做的事情。
✔️它需要用户理解。
✔️ O.O.D.测试是评估非预期学习的理想方法，而I.I.D.测试是不够的。

Shortcut Learning in Deep Neural Networks
written by Robert Geirhos, Jörn-Henrik Jacobsen, Claudio Michaelis, Richard Zemel, Wieland Brendel, Matthias Bethge, Felix A. Wichmann
(Submitted on 16 Apr 2020 (v1), last revised 20 May 2020 (this version, v3))
Comments: Published by arXiv
Subjects: Computer Vision and Pattern Recognition (cs.CV); Artificial Intelligence (cs.AI); Machine Learning (cs.LG); Neurons and Cognition (q-bio.NC)

介绍

深度学习（DL）是近期人工智能热潮的催化剂。目前，DL已经在科学、工业、医学等各个领域取得了成功。然而，尽管DL取得了成功，但也有很多失败的案例。最大的危险是对DL缺乏理论认识。

• 如果你要坐上一辆自动车，把自己的生命交给人工智能处理
• 如果用神经网络来评价面试的成败，则
• 如果癌症筛查结果可以借助深度学习进行评估，那么

这些现实世界的应用，必然要求我们具备理论和透彻的理解。很多时候，人工智能呈现在世人面前的是满满的成功。这让社会产生了一种过度的期望，认为人工智能一定是成功的。我希望这也能帮助我们了解人工智能还处于发展阶段。

本文涉及到一篇关于Shortcut Learning的论文，本期DL是骗人的将会介绍。在这篇文章中，我们将对 "Shortcut Learning "进行概述。

加藤

AI-SCHOLAR是一个评论媒体，以通俗易懂的方式介绍关于AI（人工智能）的最新文章。 人工智能的作用不仅限于技术创新，日本的科研能力正在下降，政府也在不断削减研究预算。 向世界传达人工智能的技术、应用以及支持人工智能的基础科学的背景，是一个重要的外延，可以极大地影响社会对科学的理解和印象。 AI-SCHOLAR旨在帮助消除普通民众和专家之间对人工智能的理解差距，为人工智能融入社会做出贡献。 另外，我们希望帮助大家把自己的学习和研究经验在媒体上体现出来，在社会上表达出来。 任何人都可以用艰深的词汇来解释高深难懂的事情，但AI-SCHOLAR追求的是"可读性"和"可理解性"，充分利用词汇和设计来传递信息，以此为媒介。