巴伊兰大学（Bar-Ilan University）的一项研究揭示，在复杂的分类任务中，大脑高效的浅层学习（涉及层数较少的宽网络）可以与多层深度学习模型相抗衡。这对目前 GPU 的设计提出了挑战，因为 GPU 更倾向于深度架构而非宽架构。
神经网络学习方法的灵感来源于大脑的运作，但大脑的学习方式与深度学习的运作方式存在根本性的差异。一个关键区别在于每种方法所采用的层数。
深度学习系统通常有很多层，有时多达数百层，这使它们能够有效地学习复杂的分类任务。相比之下，人脑的结构要简单得多，层数也少得多。尽管大脑的结构相对较浅，其处理过程也更慢、更噪，但它却能高效地处理复杂的分类任务。
大脑浅层学习机制研究
推动新研究的关键问题是大脑高效浅层学习的可能机制--它能使大脑以与深度学习相同的准确性完成分类任务。以色列巴伊兰大学（Bar-Ilan University）的研究人员在发表于《物理学报》（Physica A）的一篇文章中，展示了这种浅层学习机制如何与深度学习竞争。
资料来源：巴伊兰大学伊多-坎特（Ido Kanter）教授
巴伊兰大学物理系和Gonda（Goldschmied）多学科大脑研究中心的伊多-坎特（Ido Kanter）教授领导了这项研究，他说："与其说大脑是一个像摩天大楼一样的深层结构，不如说它是由一个宽广的浅层结构组成的，更像是一栋非常宽的大楼，只有很少几层。"
"大脑结构越深，层次越多，正确分类物体的能力就越强。相比之下，大脑的浅层机制表明，更宽的网络能更好地对物体进行分类，"这项研究的主要贡献者之一、本科生罗尼特-格罗斯（Ronit Gross）说。"更宽和更高的架构代表了两种互补机制。 不过，要实现模仿大脑动态的超宽浅层架构，需要改变先进 GPU 技术的特性，因为该技术能够加速深度架构，但在实现宽浅层架构时却失灵了。
编译来源：ScitechDaily
