1樓：[已重置]
我又要惹他們不高興了。
整個系統的結構沒有脫離 feature extraction + message passing based filtering的框架，只不過這裡的特徵提取和message passing的勢能函式都是學習獲得的。這個思路在DN中早就用過了。
你就直接說我先用不太可靠的特徵提取獲得一些模糊的特徵，然後知道這些特徵應該符合某種規則，然後我用這些規則去對特徵濾波獲得更可靠的特徵，然後這個誤差資訊回去指導更新特徵提取和規則驗證。 這和訊號處理中的軟判決，bootstrap類的方法沒啥本質區別啊，就是引數更多了一些，自由度更大了一些。
我不知道為啥要起個嚇人的名字。與其總是發明新術語，不如多看看其他領域都有什麼思想，這個真有點re-invent the wheel，至少基本思想上是如此.
2樓：劉凱-AGI
終於，等到了高人的相關回答。
首先，請大家注意 @暮暮迷了路 的回答，請看周老師本人的話。
其次，我貼上王培老師（Pei Wang）的點評，並不一定絕對正確，但該點評絕對有啟發性：
"作者表示，就他們所知，溯因學習是首個專門為了同時進行推理和感知而設計的框架" -- 英文版沒這句話。欺負國內上不了Google？至於「打通感知和推理」，隨便搜一下就可以找到十幾年前的文章（如http:
//onlinelibrary.wiley.com
/doi/10.1207/s15516709cog2901_5/pdf
），而人家都不敢說是「首個」。即使侷限在機器學習領域，Michalski總該聽說過吧？他們的框架當然有新意，但絕沒有「提出了溯因學習（abductive learning）的概念」。
這顯然是來自Peirce（他首次將abduction用來稱呼這種推理）。他指出abduction可以看作「逆演繹」，但他的完整說法是將abduction和induction都解釋成「逆演繹」，所以「反繹」這個一發就不合適了。國內將abduction譯成「溯因」已有多年。
我認為「歸因」更合適，且與「歸納」配對。
繁華落盡，洗盡鉛華。AI領域現在太需要雞血了，大家容易一見到紅色的東西就開始莫名地興奮。進步需要時間、需要積累，多點腳踏實地和耐心吧。
如何評價周志華教授新提出的 Deep Forest 模型，它會取代當前火熱的深度學習 DNN 嗎？
從乙個吃瓜群眾的角度答一下。工程派批理論派 推了一大推公式，結果在toy資料集上做了個toy模型，對比的baseline如此不堪，你們研究的有什麼用 理論派批工程派 搞這麼多引數成天只會調參煉丹，你們那活也能叫research?不要忘了，你們的祖師爺Hinton當年坐冷板凳時情境比我們現在好不到哪兒...
如何評價Perdew組近期提出的新泛函SCAN？
SCAN還是很不錯的，最近在做過渡金屬化合物的測評，參考了Grimme的一篇Benchmark文獻 Comprehensive Thermochemical Benchmark Set of Realistic Closed Shell Metal Organic Reations 這篇採用的金屬有...
如何評價川普在29日提出的新口號 Buy American and Hire American ？
Xizhi Zhu 說句實話，如果你不支援你所居住國家的商品和勞工，除非你已經準備好移民，否則到最後倒霉的就是你自己。你自己想想，要是什麼東西都是買外國的，雇人也先考慮老外。到最後，你自己的國家，會有多少人失業下崗？下崗怎麼辦？這些人如何生存？到最後錢還不是從你的稅收裡面出，大家一起倒霉，還不如一開...