El aprendizaje profundo ha visto una oleada de documentos empíricos. En estos días, cada Tom, Dick y Harry cambian los parámetros ligeramente y obtienen alguna ventaja en el rendimiento, simplemente porque es un área nueva o se consideran nuevas tareas. Si bien esta investigación empírica es importante porque nos permite ver los límites y los límites de los nuevos métodos, podría ser agotador en algún momento y la contribución de cada nuevo artículo marginal.
Por ejemplo, ¿de qué sirve un algoritmo significativamente más complejo que obtenga 0.1% mejores resultados de vanguardia? ¿es realmente mejor? depende de a quién le preguntes. Es lógico pensar que después de algún punto, las personas mirarían más profundamente (sin juego de palabras) y pedirían más garantías y aspectos teóricos de un método, especialmente cuando todos los algoritmos fáciles revelan todos los resultados ‘fáciles’.
Además, no toda la investigación es un resultado de auge de papel único que muestra el método rápidamente y obtiene los mejores resultados. Es posible que obtenga una idea teórica agradable que ayudará a otras personas (o posiblemente a usted mismo) a ver las cosas de manera diferente, incluso si actualmente no es suficiente para obtener mejores resultados. Muchos de los documentos que conozco parecen inmaduros en retrospectiva, considerando los documentos seminales que se habían basado en ellos. Seguramente, si los documentos iniciales que sentaron las bases para los siguientes no se hubieran considerado lo suficientemente novedosos debido a resultados insuficientes, todos habrían perdido.
- ¿Cuáles son las preguntas / temas de investigación más importantes en filosofía hoy?
- ¿Tener demasiados datos ralentiza tu PC?
- ¿Por qué el PageRank es muy alto para los nodos en un gráfico con indegree cero?
- ¿Con qué frecuencia se utilizan los algoritmos en la ingeniería de software?
- ¿Cuáles son algunos de los algoritmos más importantes?
