23、人工智能与信息安全：挑战与应对

人工智能与信息安全：挑战与应对

一、深度学习的性能与适用场景

1.1 模型性能对比

在模型训练中，为了加快训练速度，使用 GPU 训练模型。以 CNN 和之前在 CPU 上训练的 ANN 为例，CNN 在最后一个训练周期的准确率达到 97%，远高于 ANN 训练时的 89%。然而，在测试数据上，CNN 的准确率降至 91%，这表明 CNN 出现了过拟合现象。

1.2 不使用深度学习的情况

深度学习算法虽然强大且随着人工智能的普及变得易于使用，但并非适用于所有机器学习问题。以下是一些适合使用浅层机器学习算法的情况：
|序号|情况|说明|
| ---- | ---- | ---- |
|1|小数据集|深度学习算法需要大量数据进行有效训练，小数据集训练深度学习模型可能导致过拟合，性能不佳。|
|2|数据为表格形式|非音频、图像、非结构化文本等数据，使用浅层学习器可进行特征工程，获得高性能和可解释性。而图像、音频等数据低层次，特征工程困难，深度学习的自动特征提取能力更适用。|
|3|需要可解释性|若模型的可解释性对于建立因果关系或了解模型预测原因很重要，深度学习属于黑盒模型，可解释性差。|
|4|数据和/或计算资源有限|有限的基础设施（CPU、GPU、内存等）可能无法训练深度学习模型，即使尝试训练也会耗时且消耗大量资源。增加数据标注可能成本高昂。|
|5|缺乏机器学习科学家|若没有了解如何优化深度学习模型参数以获得最佳性能的研究人员，构建和维护深度学习模型可能不值得，因为其复杂度高于浅层学习器。|

二、人工智能伦理的兴起与挑战

2.1 可解释性