La respuesta corta es no. Pero estas dos cosas no son incompatibles.
Creo que es necesario una mejor comprensión teórica del aprendizaje profundo.
Pero si un método funciona, no debe ser abandonado ni descartado solo porque los teóricos aún no han descubierto cómo explicarlo. El campo del aprendizaje automático cometió ese error a mediados de la década de 1990, desestimando en gran medida las redes neuronales (y a veces incluso burlándose de él). Las razones para esto son complicadas, pero eso claramente fue un grave error colectivo en el sentido de que el campo se retrasó al menos una década.
- ¿Cuál es la diferencia entre la visión médica por computadora y la visión general por computadora?
- ¿Cuáles son las conferencias de alto nivel o los expertos en informática afectiva?
- Cómo preparar y escribir un ensayo de antecedentes informático ganador
- ¿Cuál es la diferencia entre 'datos', 'información' y 'evidencia' en la investigación científica?
- ¿Qué ha sucedido en el aprendizaje automático teórico en los últimos 5 años (2009-2014)?
Al trabajar estrictamente en métodos que puede analizar completamente en teoría, se limita a utilizar métodos excesivamente ingenuos.
Los físicos no trabajan así. No pueden elegir la complejidad de los sistemas que estudian: el mundo físico es lo que es. Para ellos, los sistemas complejos son más interesantes. Por ejemplo, se desarrollaron muchos métodos interesantes de matemática y física teórica en el contexto del estudio de los cristales giratorios y otros sistemas “desordenados”. Los físicos no podían simplemente elegir no estudiar estos sistemas porque eran demasiado complicados. En nuestro campo orientado a la ingeniería, en el que los sistemas que estudiamos son artefactos de nuestra propia creación, podemos sentir la tentación de simplificar esas creaciones para analizarlas más fácilmente. Pero si los simplificamos demasiado en el proceso de tal manera que ya no funcionen, arrojamos al bebé con el agua del baño.
Trabajar con modelos simples de ML solo porque puedes hacer teoría sobre ellos es como buscar tus llaves perdidas bajo la luz de la calle, incluso si las perdiste en otro lugar.
Estoy seguro de que la gran colección de personas extremadamente inteligentes en matemáticas, física teórica y teoría del aprendizaje automático presentará un avance en nuestra comprensión del aprendizaje profundo.
La motivación para hacerlo es muy alta, dada la gran cantidad de energía intelectual y eléctrica gastada en el aprendizaje profundo en estos días, y dado su papel en la transformación de la sociedad, comenzando con los autos sin conductor.
