不做数值运算、纯靠嘴炮也能机器学习？基于自然语言的全新ML范式来了

编程并不是一个机械性的工作，而是需要有思考，有创新的工作，语法是固定的，但解决问题的思路则是依靠人的思维，这就需要我们坚持学习和更新自己的知识。今天golang学习网就整理分享《不做数值运算、纯靠嘴炮也能机器学习？基于自然语言的全新ML范式来了》，文章讲解的知识点主要包括，如果你对科技周边方面的知识点感兴趣，就不要错过golang学习网，在这可以对大家的知识积累有所帮助，助力开发能力的提升。

AIxiv专栏是本站发布学术、技术内容的栏目。过去数年，本站AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

本文作者肖镇中是德国马克思普朗克-智能系统研究所和图宾根大学的博士生，Robert Bamler 是图宾根大学机器学习方向的教授，Bernhard Schölkopf 是马克思普朗克-智能系统研究所的所长，刘威杨是马普所剑桥大学联合项目的研究员。

在传统的机器学习场景如分类和回归问题中，给定训练数据，我们通过优化参数学到一个函数模型来准确描述训练集和测试集中和的关系。其中是基于数值的函数，它的参数通常是连续空间中的数值向量或矩阵，优化算法通过计算数值梯度迭代更新从而达到学习的效果。

Verbalized Machine Learning (VML；言语化的机器学习) 回答了这些问题，并提出了一种基于自然语言的机器学习全新范式。VML 把大语言模型 (LLM) 当作自然语言空间中的通用近似函数 (universial function approximator)，数据和参数都是自然语言空间中的字符串。在做推理时，我们可以将给定的输入数据和参数提交给 LLM，LLM 的回答就是推理的答案。

对于任意任务和数据，我们如何得到？在基于数值的传统机器学习中，我们通过计算损失函数的梯度，将现有的模型参数往损失下降的方向更新，从而得到的优化函数:

其中和分别为学习率和损失函数。

在 VML 的设定中，由于数据和参数都是字符串且 LLM 被当作是黑箱的推理引擎，所以我们无法通过数值计算来优化。但既然我们已经将 LLM 用作自然语言空间中的通用近似函数去近似模型函数，而的优化器也是一个函数，我们为何不也用 LLM 去近似它？因此，言语化的优化函数可写作

其中为一个数量为的批次的训练数据和模型预测结果，为优化函数的参数（同为自然语言）。

图 1 显示了 VML 的完整算法。可以看见其跟传统机器学习算法基本相同，唯一的区别是数据和参数是在自然语言空间里的字符串， 以及模型和优化器都是通过 LLM 在自然语言空间中进行推理。图 2 为回归任务中模型和优化器的具体模板样例。

跟传统机器学习比，VML 的优势包括：（1）用自然语言简单的描述就可以对模型加入归纳偏置 (inductive bias)；（2）由于不需要预设模型的函数族 (function family)，优化器可以在训练过程中自动对模型的函数族进行选择；（3）优化函数对模型参数的每一步更新都会提供自然语言的解释，同时模型的描述和推理也是自然语言且可解释的。

如图 3 所示，模型的初始参数为线性回归的定义。在第一步优化时，优化器说它发现比有更大的值域，且它们似乎存在正相关性，所以它决定将模型更新为简单的线性回归模型。

在第二步优化时，优化器说当前模型的不良表现让它意识到线性模型的假设过于简单了，同时它发现和之间存在非线性关系， 因此它决定将模型更新为二次函数。

如图 4 所示，模型的初始参数为二维平面二分类的定义，同时用了一句话「决策边界是个圆」加入归纳偏置。在第一步优化中，优化器说它基于提供的先验，将模型更新为了一个圆方程。接下来的优化步骤中，优化器都在根据训练数据调整圆方程的圆心和半径。直到第四十一步，优化器说当前模型似乎拟合得很好了，于是停止了对模型的更新。

如图 5 所示，我们初始化了两个模型，模型的初始参数都为图片二分类的定义， 但其中一个添加了一句话「输入是用于肺炎检测的 X 光图片」的归纳偏置作为先验。在训练了五十步后，两个模型都达到了 75% 左右的准确度，其中有先验的模型准确度要稍微高一点点。

                               ^{图 5: VML 在 PneumoniaMNIST 图片二分类上的训练记录。}

今天关于《不做数值运算、纯靠嘴炮也能机器学习？基于自然语言的全新ML范式来了》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！