AI大事件 | 人工智能检测自杀倾向，三星收购AI公司
呜啦啦啦啦啦大家好呀，又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么？大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？文摘菌带你盘点过去一周AI大事件！
新闻
AI Index 2017报告发布
来源：AIINDEX.ORG
链接：https://aiindex.org/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
人工智能指数2017报告主要目的是衡量AI活动的进展。该报告集合并发布了一组精心收集的数据，并讨论了AI领域的相关内容。
Facebook推出通过人工智能检测自杀的功能
来源：TECHCRUNCH.COM
链接：
https://techcrunch.com/2017/11/27/facebook-ai-suicide-prevention/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这项新功能将扫描所有帖子，并寻找自杀的意念模式，必要时将向有危险的用户或朋友发送心理健康资源，或与当地急救人员联系。通过AI定位那些发出有自杀意念模式帖子的主人，而不是等待用户报告，Facebook可以减少提供帮助所需的时间。
Invent 2017：AWS的人工智能报告
来源：AWS.AMAZON.COM
链接：
https://aws.amazon.com/cn/new/reinvent/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI#machine-learning
AWS在他们的re:Invent会议上发布了多项人工智能相关的服务和倡议，包括NLP、视频分析和模型部署服务。同时发布的还有AWS机器学习研究奖，这是一个资助大学院系、教师、博士生和博士后的新项目。
三星收购AI公司打造Bixby
来源：TECHCRUNCH.COM
链接：
https://techcrunch.com/2017/11/28/samsung-buys-another-ai-company-as-it-continues-to-build-out-bixby/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
为了将新技术融入自己的智能助理Bixby，三星收购了韩国公司Fluenty。这家创业公司提供短信回复和第三方社会服务。
文章&教程
CTC序列建模
来源：DISTILL.PUB
链接：
https://distill.pub/2017/ctc/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
一个连接时态分类（CTC：Connectionist Temporal Classification）的视觉化指南，用于训练深度神经网络在语音识别、手写识别和其他序列问题中的算法。
智能爆炸的不可能性
来源：MEDIUM.COM
“智能爆炸”这一概念的突然崛起和“超人智能”将会终结人类的论调已经占据了各个人工智能社区。这篇文章认为这样的事件是不可能的——“智能爆炸”的概念来源于对智能性质和递归自增强系统行为的深刻误解。
在简单环境中度量人工智能安全问题
来源：DEEPMIND.COM
链接：
http://rev.vu/7Rnad?utm_campaign=Issue&utm_content=domain&utm_medium=email&utm_source=The+Wild+Week+in+AI
随着AI系统在现实世界中变得更加通用，确保它们安全地运行将变得更加重要。本篇文章介绍了一种简单的强化学习环境，专门用来度量人工智能系统的“安全行为”。
基于模型的神经网络动力学模型
来源：BAIR.BERKELEY.EDU
链接：http://rev.vu/Y7vRk?utm_campaign=Issue&utm_content=domain&utm_medium=email&utm_source=The+Wild+Week+in+AI
深度强化学习方法的样本效率低下是利用该方法在现实世界中学习的主要瓶颈之一。这篇文章研究了一种有效的机器人控制方法。该技术只需在环境中随机操作机器人收集数据，就能学习轨迹跟踪技术。
代码，项目&数据
高分辨率的图像合成和Conditional GANs的语义操作（附视频）
来源：TCWANG0509.GITHUB.IO
链接：
https://tcwang0509.github.io/pix2pixHD/
这个项目提出了一种基于语义标签地图使用conditional GANs合成高清晰度照片般逼真的图像的一种新方法。结果达到了惊人的2048x1024像素视觉小说对抗损失的结果并且对抗损失极低，以及新的多模式生成器及鉴别器架构。
DeepMind的游戏引擎pycolab
来源：GITHUB.COM
链接：
https://github.com/deepmind/pycolab?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
pycolab是一个高度可定制的游戏引擎。它允许你自己做网格世界游戏来测试学习代理，被用于最近AI安全的论文。
深度图像之前
来源：DMITRYULYANOV.GITHUB.IO
链接：
https://dmitryulyanov.github.io/deep_image_prior?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
不需要预先训练的网络或图像数据库。一个随机初始化的神经网络可以作为一个手工操作在许多标准的逆向问题上达到很好的效果，如图像去噪，超限分辨和图像修复等。
Mozilla的语音识别模型和语音数据集
来源：BLOG.MOZILLA.ORG
链接：
https://blog.mozilla.org/blog/2017/11/29/announcing-the-initial-release-of-mozillas-open-source-speech-recognition-model-and-voice-dataset/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Mozilla的研究小组首次发布了其开源语音识别模型，以及全球第二大开源语音数据集，这个数据集收集了全球近20000的数据。
爆款论文
GANs性能哪家强——大规模研究
来源：ARXIV.ORG
链接：
https://arxiv.org/abs/1711.10337?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
尽管关于GANs有丰富的研究活动，并产生了了许多有趣的GANs算法，但要评估哪种算法比其他算法性能更好还是很困难的。作者进行了在目前技术水平下对算法模型和模型评价的大规模的实证研究，发现大多数模型可以在超参数优化和随机重启上达到足够的成绩。
将神经网络提取到软决策树中
来源：ARXIV.ORG
链接：
https://arxiv.org/abs/1711.09784?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
很难解释为什么学习网络对特定的测试用例做出特定的分类决策。这是由于他们依赖分布式层次表示法。作者描述了一种利用受过训练的神经网络来创建软决策树的方法，它比直接从训练数据中学习的决策树泛化得更好。
神经文本生成：实用指南
来源：ARXIV.ORG
链接：
https://arxiv.org/abs/1711.09534?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
在文本生成模型中解码器常常产生非期望的输出，比如产生被截断的输出或重复输出，输出一些对于输入无动于衷的句子，或在某些情况下产生不合语法的废话。本文旨在为解决文本生成模型中的这种非希望行为提供实用的指导，以帮助实现现实世界的应用程序。
好课推荐
使用Keras快速构造深度学习模型实战
Q：如果我已经在使用TensorFlow，为什么还要关心Keras？
A：Keras提供了一个更简单，更快速的方法来构建和训练TensorFlow中的模型，而且性能没有成本，因为模型仍然由同一个TensorFlow引擎运行。
所以如果你关心自己的时间和生产力，那你应该关心Keras。
—Keras作者François Chollet