Next-Generation Deep Learning: A Comprehensive Survey on Explainable, Efficient, Privacy-Preserving and Multimodal Artificial Intelligence
K. Ramalakshmi · S. Prema · M. Ajithaveni 等 4 人
综述可解释、高效、隐私保护、绿色与多模态五大深度学习方向，提出能力导向分类框架。
文献综述，按能力分类代表性架构，分析原理、优缺点与应用。
五大方向各有挑战，未来机会在联邦大模型、边缘AI、绿色AI、自监督与多模态基础模型。
可将可解释、高效、隐私保护与多模态深度学习迁移到农业场景，构建可信农业AI系统。
通用深度学习综述，未涉及农业场景，与三农及农业信息化无直接关联，不建议进入每日精选。
深度学习的持续演进显著拓展了人工智能的能力，使智能系统能够在医疗健康、计算机视觉、自然语言处理、网络安全、金融、自主系统和智能环境等领域解决日益复杂的问题。从人工神经网络起步，历经卷积网络和循环网络，发展到Transformer、图神经网络、视觉Transformer和大语言模型，深度学习在特征表示、预测精度和知识迁移方面取得了显著提升。然而，这些模型日益增长的复杂性也带来了若干挑战，包括模型透明度有限、计算和能耗需求高、数据隐私风险以及异构多模态信息的有效利用等问题。与主要按网络架构或应用领域对深度学习进行分类的传统综述不同，本文提出了一种以能力为导向的分类体系，将近期发展归纳为五大研究方向：可解释深度学习、高效深度学习、隐私保护深度学习、绿色深度学习和多模态深度学习。基于该框架，本文对代表性架构进行了批判性审视，分析其运行原理、优势、局限性以及对多样化实际应用的适用性。本综述还分析了新兴应用领域，指出了在公平性、鲁棒性、可扩展性和可信人工智能方面尚未解决的挑战，并讨论了涉及联邦大语言模型、边缘人工智能、绿色人工智能、自监督学习和多模态基础模型等有前景的研究机遇。所提出的框架为理解当前进展提供了结构化视角，同时为设计透明、高效、安全和可持续的下一代深度学习系统提供了实践指导。