Windows 10更新卡住了怎么办？

笔者自2011年大二的时候加入北大计算所图数据库小组直到18年博士毕业，此后工作的两年一直关注图技术的发展，并同很多同行和图库的潜在客户有较多接触。同时也参与过知识图谱、图计算系统以及图表示学习算法等的研发。本篇的内容主要从图模型、图查询以及图计算和图学习四个方面着手阐述，重点介绍对图的应用上的经验、思考，讨论关于图有哪些应用、为什么有用、怎么用以及哪些地方难用或无用、为什么没用等内容，避免复杂概念或公式以保证非技术人员也能充分理解，相信这篇文章能让大家开卷有益，也欢迎大家来一起讨论。

1 图模型

1.1 图的点、边、标签、属性与同异构

图论中，图（Graph）的符号往往用G表示，图被定义为一个多元组，核心元素为顶点（vertex）集V以及边（edge）集E，即G=（V，E）。从数据的角度，顶点可以理解为针对实体、对象的建模，边则是用于描述两个顶点间的关联或交互。给定两个顶点u,v, 用（u,v）表示两点间的边。此外，图的多元组中往往还有标签函数L（指向点边的标签）、属性函数P（指向点边的属性）以及点边类型函数T等等。比如，社交网络中异常的账号可能有色情、赌博等标签。账号可以有注册时长的属性，所属用户年龄属性等。而好友关系的边则可以有好友建立时间点的属性。值得一提的是，点边均只有一种类型的图称为同构图，比如转账网络中只有用户账号一种点类型，并且只有转账关系这一种边类型，因此转账网络为同构图。除了同构图之外的图均为异构图。如微信支付的交易网络中，用户账号间的交易既可以转账，也可以是红包或者面对面，因此支付交易网络的边不仅有一种类型，微信支付的交易网络是异构图
 

算法在单词联想中也会表现出偏见图源：绘本I'm glad I'm a boy! I'm glad I'm a girl!

偏见也同样为翻译软件带来了麻烦。例如，在谷歌翻译将其他语言中的一个中性代词翻译为英语的时候，如果这个代词在语境中指的是一位医生，它就会将这个词翻译为男性的“他”(he);

而如果这个代词在语境中指的是一位护士，它就会将其翻译为女性的“她”(she)。

另外，语音识别软件在处理女性声音和方言时效果要差得多，这就使得那些使用非标准发音方式的社会重要成员受到了排斥。
 

当数据通过神经网络的复数计算层时，各层会逐步提取出越来越多的抽象特征，使正确的结果能在最终输出层产生出来，如对吉娃娃和迷你杜宾犬做出区别。

但是，由于此过程是在神经网络内部进行的，因此研究人员并不一定能对每个抽象特征做出解释，也不一定能理解网络是如何决定提取特定特征的集合的。

毫无疑问，机器学习具有在各行各业改天换日的巨大能量，它既可以拓展人类的能力，也可以在一些任务中取代人类。

但是，在研究人员找到让算法变得更易理解，继而变得更加有能力为自己负责的方法之前，我们不应该让这种情况发生。

令人欣慰的是，最近的研究表明，我们并非对机器学习的黑箱特征束手无策。实际上，已经有研究人员在着手研发能够探查机器学习大脑内部情况的新工具了，这是一个名为人工智能神经科学的研究分支。

其中一种构思是：微妙地改变算法的输入，并观察是否有影响，以及哪些变化会影响输出，我们就能获得解释。

例如，一种被称为“局部可解释模型–不可知论解释”(Local Interpretable Model–Agnostic Explanation = LIME莱姆)的工具就能通过巧妙改变原始输入来寻找影响人工智能判断的关键因素。

为了了解影响负责电影评分的人工智能的因素，莱姆会细致地删除或更换在一篇影评的原始文本中导致正面评价的单词。然后，系统会观察电影评分可能出现的变化。

反复进行这个过程，莱姆就能梳理出一些结论，比如，“漫威”这个词几乎总是与高评分正相关的。

上述路径的另一个分支是由谷歌开发的，它以一个空白的参照项(比如纯黑的图片)作为开始，然后逐步将其转换为输入图像。

在每一步转化的过程中，研究人员可以观察人工智能生成的图像结果，并推断哪些特征对它的决定很重要。

另一种构思依赖于一种本质上扮演了机器—人类翻译器角色的算法。具体来说，该算法可以向人类观测者解释特定的人工智能正在尝试进行怎样的活动。

OpenAI公司使用该策略来检查用于防御黑客的人工智能算法。这种方法在基础算法之外引入了一个处理自然语言算法，它就是翻译器。

翻译器被用于对防黑客算法提问，考察后者的智慧。研究人员可以观察问答部分，并且在翻译器的帮助下了解在防黑客算法的决策背后所隐藏的逻辑。

当然，有一些人工智能的决策根本无法得到完整的解释，这也是完全有可能的。毕竟，人类的种种决定通常都包含有直觉因素，受到本能和经验的指引。

而对于研究者们来说，他们所面临的问题是在何种程度上，能够让他们的发明去合理地解释自身。

还有一个更为隐蔽的后果，需要我们万分警惕：人工智能算法可能会根据种族、性别或意识形态隐约但系统性地对某些人群给予区别对待。

谷歌的第一代自动相片标签系统曾将非裔人误认为大猩猩，激起了人们的愤怒，就是一个广为人知的负面案例。

普洛帕布利卡(ProPublica)在2016年对一款用于预测罪犯重新犯罪概率的风险评估软件——孔帕斯(COMPAS)进行了调查，结果显示，虽然该软件并没有专门针对种族做出明确设计，但是它依然对黑人抱有偏见。

2017年的一项研究表明，算法在单词联想中也会表现出偏见：男性更可能与工作、数学和科学联想到一起，而女性则会同家庭和艺术联想在一起。这些偏见会对就业招聘产生直接影响。

例如，如果一款人工智能程序认为“男性”与“程序员”两个词有固有的联系，那么，当它在为一个计算机编程职位检索简历的时候，就很可能会将有着一个听起来像男性的名字的简历排到面试表的顶部。

（编辑：周口站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!