[논문 리뷰] Deep Learning: A Critical Appraisal

Gary Marcus|arXiv (Cornell University)|2018. 01. 02.

Domain Adaptation and Few-Shot Learning참고 문헌 56인용 수 387

한 줄 요약

이 논문은 딥러닝을 비판하며 열 가지 우려를 제시하고, 인공 일반지능(AGI)을 달성하려면 딥러닝을 다른 기술과 보완해야 한다고 주장한다.

ABSTRACT

Although deep learning has historical roots going back decades, neither the term "deep learning" nor the approach was popular just over five years ago, when the field was reignited by papers such as Krizhevsky, Sutskever and Hinton's now classic (2012) deep network model of Imagenet. What has the field discovered in the five subsequent years? Against a background of considerable progress in areas such as speech recognition, image recognition, and game playing, and considerable enthusiasm in the popular press, I present ten concerns for deep learning, and suggest that deep learning must be supplemented by other techniques if we are to reach artificial general intelligence.

연구 동기 및 목표

• 딥러닝의 재급상 이후 급속한 발전에 대한 비판적 검토를 자극한다.
• 딥러닝의 근본적인 한계와 우려를 식별하고 명확히 밝힌다.
• 인공지능 일반지능(AGI)로 나아가기 위해 대체 또는 보완 기술의 통합을 주장한다.

제안 방법

• 딥러닝에 대한 열 가지 우려를 제시하는 구조화된 비판을 제시한다.
• 각 우려를 설명하기 위한 논리적 주장과 예를 제시한다.
• 딥러닝과 보완 AI 방법을 결합한 하이브리드 접근을 옹호한다.

실험 결과

연구 질문

• RQ1 현재 딥러닝의 경로에 대해 주요 우려는 무엇인가?
• RQ2 딥러닝만으로 인공 일반 지능을 달성할 수 있는가, 아니면 다른 기술의 보완이 필요한가?

주요 결과

• 딥러닝은 여러 영역에서 진전을 이뤘지만 능력을 제한하는 뚜렷한 우려에 직면해 있다.
• 논문은 AGI를 향한 진전을 위해 보충 기술이 필요하다고 주장한다.
• 비판은 표준 딥러닝 관행을 넘어선 더 넓은 방법론적 다양성의 필요성을 강조한다.