与此同时 ， Knyazev认为还有很多的改进机会 。比方说 ， GHN-2只能训练来预测参数 ， 去解决给定的任务 ， 比如对CIFAR-10或ImageNet里面的图像进行分类 ， 但不能同时执行不同的任务 。将来 ， 他设想可以用更加多样化的结果以及不同类型的任务（如图像识别、语音识别与自然语言处理）来训练图超网络 。然后同时根据目标结构与手头的特定任务来做出预测 。
如果这些超网络确实能成功的话 ， 那么新的深度神经网络的设计和开发 ， 将不再是有钱和能够访问大数据的公司的专利了 。任何人都可以参与其中 。Knyazev非常清楚这种“让深度学习大众化”的潜力 ， 称之为长期愿景 。
然而 ， 如果像GHN-2这样的超网络真的成为优化神经网络的标准方法 ， Veli?kovi?强调了一个潜在的大问题 。他说 ， 对于图超网络 ， “你有一个神经网络——本质上是一个黑盒子——预测另一个神经网络的参数 。所以当它出错时 ， 你无法解释[它] 。”
不过 ， Veli?kovi?强调 ， 如果类似GHN-2这样的超网络真的成为优化神经网络的标准方法的话 ， 可能会有一个大问题 。他说：“你会得到一个基本上是个黑箱的神经网络 ， 然后再用图超网络去预测另一个神经网络的参数 。如果它出错 ， 你没法解释错在哪里 。”
当然 ， 神经网络基本上也是这样 。Veli?kovi?说：“我不会说这是弱点 ， 我把这叫做告警信号 。”
不过Kipf看到的却是一线希望 。“让我最为兴奋的是其他东西 。”GHN-2展示了图神经网络在复杂数据当中寻找模式的能力 。
通常 ， 深度神经网络是在图像、文本或音频信号里面寻找模式 ， 这类信息一般都比较结构化 。但GHN-2却是在完全随机的神经网络结构图里面寻找模式 。而图是非常复杂的数据 。
还有 ， GHN-2可以泛化——这意味着它可以对未知、甚至不在分布范围内的网络结构的参数做出合理的预测 。Kipf说：“这项工作向我们表明 ， 不同结构的很多模式其实多少是优点相似的 ， 而且模型能学习如何将知识从一种结构转移到另一种结构 ， 这可能会启发神经网络新理论的诞生 。”
如果是这样的话 ， 它可能会让我们对这些黑箱有新的、更深入的理解 。
译者：boxi 。

• 不是“雨神”胜似“雨神”
• 无悔华夏崇国兵种怎么样（无悔华夏崇国兵种及特有卡牌一览）
• 无悔华夏孟国兵种怎么样（无悔华夏孟国兵种及特有卡牌一览）
• 无悔华夏夏国兵种怎么样（无悔华夏夏国兵种及特有卡牌一览）
• 无悔华夏荆楚兵种怎么样（无悔华夏荆楚兵种及特有卡牌一览）
• 无悔华夏鬼方兵种怎么样（无悔华夏鬼方兵种及特有卡牌一览）
• 无悔华夏莱夷兵种怎么样（无悔华夏莱夷兵种及特有卡牌一览）
• 无悔华夏蜀国怎么玩（无悔华夏蜀国发展技巧）
• 无悔华夏建木神树怎么升级（无悔华夏建木神树等级提升攻略）
• 无悔华夏城市特殊资源怎么获得（无悔华夏城市特殊资源获取途径）