Human-level concept learning through probabilistic program induction文章总结

文章首先通过人类学习与机器学习的对比分析提出问题：

人类往往能够成功的将单一的样本一般概括化学习到新的概念，经典的机器学习算法却需要成千上万的相似样本去做训练集，人类相比传统算法也能对刚学到的概念进行灵活的使用，（行为、想象、解释），文章提出一个模型获取人类对手写字符这种简单视觉概念的学习能力（贝叶斯程序学习），对于单独的分类来说能达到深度学习的水平，能够通过图灵机测试。

人类只要给一个两轮交通工具，就能领会到这个新概念的范围，并且能够学到更丰富的表示，推广到更广阔的范围（去创造新的事物）。

只给出一个新的样本，就能对其进行分类（两轮交通工具），产生抽象化的概念，对样本进行解析（部件，子部件，位置关系），并且能够根据已有样本的特点去产生新的样本。目前最好的分类器也不能完成这些额外的功能，需要专门的算法。

BPL概述

BPL(贝叶斯程序学习)通过简单的随机的program对概念进行表达，通过part subpart relation 的组合函数来描述生成模型（