概要：近年來，深度學習在人工智能領域一系列困難問題上取得了突破性成功應用。

模型驅動的深度學習方法

近年來，深度學習在人工智能領域一系列困難問題上取得了突破性成功應用。例如用于人臉識別已高于人的正確識別率、用于語音識別與機器翻譯已接近達到同聲翻譯和‵講完稿出＇的水平、用于圍棋競賽已達到完勝人類世界冠軍的水平、用于一些疾病的診斷巳能與中、高級專業醫師水平匹敵。現在，深度學習技術在信息科學各領域已無處不在、并正成為各自領域的標準方法。

盡管深度學習取得重大進展，但人們對人工神經網絡拓撲與性能的對應關系仍然缺少理論上的認知，網絡拓撲選擇目前還是一項工程技術而并沒有成為科學。這直接導致了現有深度學習多半是缺少理論基礎的啟發式方法。設計難、解釋難、結果不可預知已成為深度學習公認的缺撼。

《國家科學評論》最近發表了西安交通大學數學與統計學院徐宗本院士、孫劍教授撰寫的“Model-driven deep learning”的觀點文章（National Science Review, 2017,https://doi.org/10.1093/nsr/nwx099）。這篇文章嘗試解決深度學習的網絡拓撲選擇問題，目的是實現可設計、可解釋以及結果可預期的深度學習方法。文章提出一種模型驅動與數據驅動相結合深度學習方法。眾所周知，深度學習是一種標準的數據驅動型方法，它將深度網絡作為黑箱依賴于大量數據解決現實問題；而模型驅動方法則是從目標、機理、先驗出發首先形成學習的一個代價函數，然后通過極小化代價函數來解決問題。模型驅動方法的最大優點是只要模型足夠精確，解的質量可預期甚至能達到最優，而且求解方法是確定的，但模型驅動方法的缺陷是在應用中難能精確建模，而且對建模的精確性追求通常只能是一種奢望。

模型驅動深度學習方法有效結合了模型驅動和數據驅動方法的優勢，文章中給出了模型驅動深度學習的標準流程:(1)根據問題，建立模型族(Family of Models);(2)根據模型族，設計算法族(Family of Algorithms)并建立算法族的收斂性理論;(3)將算法族展開(unfold)成深度網絡并實施深度學習。文中還介紹了課題組研究并實踐的一系列模型驅動與數據驅動結合的深度等習方法，展現了該方法在解決實際問題上的有效性。