人工智能回归算法 人工智能 归结反演

反演问题是由结果及某些原理出发去确定表征问题特征的参数。目前的人工智能也是有大量数据及假设的模型，通过各种优化算法确定模型的参数，基于反演出的模型进行预测，因此，人工智能就是反演问题。基于大量数据，人工智能可以反推出这是什么（静态对象），这是在干什么（动态过程）等。

反演问题是地球物理、建筑等领域的常用的称呼，这种问题普遍存在。涉及到演绎和观测问题。在数学和物理学领域，反演问题称为反问题；在统计学中反演问题称为参数估计；在信息学中反演问题称为滤波或鉴别；在人工智能领域称为模式识别。

一般情况是，反演问题是相对与正演问题而存在的，一般的工作程序是数据-正演模型-模型参数。正演计算模型是反演问题的基础，只有得到了正演问题的数值解，才能考虑去求解反演问题，但是准确的正演模型很难建立，特别是各行各业，各个领域的正演模型，层出不穷，五花八门，质量层次不齐，针对同样的物理过程，建立的正演模型可能不同，有简有繁。人工智能的突破，特别是深度学习，是用深度神经网络代替了正演计算模型，能够模拟各种各样的正演模型，特别是人类很难建立的正演模型，人工智能的作用更大。但是，训练这个深度神经网络需要大量的样本，针对样本很少的情况，或者没有样本的情况，参数众多的深度神经网络就很难训练了。有专家建议，这时候，可以吸纳传统正演模拟方法的优点，加入先验知识，加快训练过程，减少样本需求量。人工智能与反演问题的另一个结合点是获取反演问题的边界条件和初始条件。通常反演问题中，都假设正演模型准确可靠，需要反演的是正演过程的初始条件和边界条件，深度学习可以用于这种问题的求解，这类文献也不少。