专栏首页大龄程序员的人工智能之路2019年机器学习方面的最新研究

2019年机器学习方面的最新研究

刚刚结束旅行,先翻译一篇文章,了解一下2019年机器学习方面的最新研究。原文标题:The Best Machine Learning Research of 2019 So Far,略有删减,原文链接:https://medium.com/@ODSC/the-best-machine-learning-research-of-2019-so-far-954120947794 ,访问需要访问外国网站。

机器学习的用途正在迅速扩大。到了2019年,在探索使用该技术新方向上已经进行了大量研究。下面收集的是迄今为止在机器学习领域所进行的一些最激动人心的研究。

基于视觉的触觉传感的迁移学习

计算机模拟人类感官的能力并不均衡:在五种感官中,触觉也许是发展最慢的。为了克服这些缺点,研究人员Carmelo Sferrazza和Raffaello D’Andrea发表了一篇题为《基于视觉的触觉传感的迁移学习》的论文,主张使用“软光学(或基于视觉的)触觉传感器”,它综合了成本低、易于制造和布线少的特点。该模型在很大程度上依赖于计算机视觉,以便训练触觉模型并帮助触觉传感器进行物体识别。他们的专有系统使用了软凝胶传感器(soft-gel sensor)和计算机视觉训练网络,在这种网络中,他们通过弹性材料在受力时所产生的变形,能够通过摄像头感知软表面上的力分布

视频中人脸聚类的面部表征的自监督学习

随着近年来人脸识别技术的不断发展,研究人员开始重新考虑这项技术的应用范围及其应用方式。就用于研究视频的系统而言,研究从简单地识别主要人物,开始转向使用面部知识来分析故事。多伦多大学的一组研究人员在他们最近关于这一主题的论文《视频人脸聚类的面部表征的自我监督学习》中指出,基于故事情节,更深入地理解视频,能够预测哪些角色何时何地出现。为此,这些研究人员开发了一种无监督模型,能够根据现有的数据集(如YoutubeFaces等面部数据库)和有限的训练来创建高度准确的面部识别模型。这些模型可以利用基于有序面部距离,动态生成正/负约束,并不必仅依赖于目前常用的轨道(track)信息。对于复杂的、时间密集型模型训练的依赖性降低,将其用于将来的视频分析,有很大的潜力。

独立深度生成模型的混合竞争训练

变分自动编码器(VAE)和生成对抗网络(GAN)是用于无监督学习的最突出的模型类型,但每个都有明显的缺点:VAE在馈送自然图像时难以生成高质量的样本,而GAN需要大量的训练。马克斯.普朗克研究所的一个研究小组最近开展的一项研究项目旨在通过利用两者的优势来改善每个模型的缺点,采用一种方法来并行训练多个模型,这些模型侧重于分布式训练的独立部分。在论文《独立深度生成模型的混合竞争训练》中,总结了他们的发现,更直观地使用模型,或同时使用多种类型,将为模型训练创造更强大的环境,允许更广泛地使用数据,可以为如何在运行中进行模型选择提供一些启示

你能相信这种预测吗?逐点审计学习可靠性

随着机器学习更深入地融入日常业务运营中,测试预测模型的可靠性和准确性的需求也增加了。虽然大多数准确度指标都集中在消除训练过程中的错误,但很少有选项来评估活动模型的准确性。为了解决这个问题,约翰.霍普金斯大学的Peter Schulam和Suchi Saria教授提交了一种称为重采样不确定性估计器(RUE)的审计算法,该算法预估模型在不同的训练数据上,预测值会有多大变化。根据其创建者的说法,这种新算法的目的是帮助提高医学等高风险领域的机器学习的使用。在他们的研究论文《你能相信这种预测吗?逐点审计学习可靠性》中,他们指出,由于这些领域所需要的可靠性任,机器学习必须在采用前后的准确性方面进行衡量。RUE等的发展将加速在这些领域采用机器学习。

结论

机器学习已经使得金融和人力资源等领域的琐事自动化。现在,由于研究旨在使该技术更加可靠、准确和广泛可用,我们可能会在广告和医药等领域看到更多自动化任务。您认为机器学习将在哪里引起革命?

本文分享自微信公众号 - 云水木石(ourpoeticlife),作者:陈正勇

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-07-08

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 使用TensorFlow一步步进行目标检测(1)

    目标检测(Object Detection)是人工智能最基础的应用,不论是我们常见的人脸识别,还是高大上的自动驾驶,都离不开目标检测。要从一幅复杂的画面中识别出...

    云水木石
  • 手把手教你开发人工智能微信小程序(1):线性回归模型

    谈到人工智能、机器学习,我们可能会觉得很神秘,其实机器学习背后的理论并不复杂。就如同原子弹这么尖端的科技,其背后的理论就是一个很简单的公式:

    云水木石
  • EZDL到底怎样,试试看...

    在前面的一篇文章百度推出EZDL,编程小白也可训练AI中,我为大家介绍了百度推出的在线可视化AI工具: EZDL。从介绍上看,这款工具似乎不错,不过是否真如宣传...

    云水木石
  • 迁移学习

    所谓迁移学习是指针对新问题重新使用预先训练的模型。由于它能用较少的数据训练深度神经网络,这使得目前它在深度学习领域非常流行。通过这篇文章您将会了解什么是迁移学习...

    小莹莹
  • 荐书 | Christopher Bishop 新书:基于模型的机器学习

    【新智元导读】机器学习大牛Christopher Bishop的新书《基于模型的机器学习》近日推出了抢先预览版,用浅显的生活实例介绍了机器学习中的多个经典概念,...

    新智元
  • 纳米神经网络 NanoNet:数据有限,照样玩转深度学习

    【新智元导读】解决深度学习问题时,使用迁移学习能够很好地减少所需的训练数据量。但是,使用这种方法需要更多的专业知识,比如判断如何调试问题、将哪一层的输出作为输入...

    新智元
  • 应用 AI 之前,你必须了解的 10 项准备工作

    ? 这篇文章对你的人工智能和机器学习项目进行分解,讨论其各个部分所带来的影响,从而帮助你确定公司是否真正准备利用机器学习、深度学习或人工智能。 不是每一个问题...

    CDA数据分析师
  • 什么是机器学习?有哪些应用?终于有人讲明白了

    导读:人工智能的快速发展,带动了相关技术的繁荣。近些年,国内外的科技公司对机器学习人才都有大量需求。怎样入行机器学习?本文带你从0开始学起。

    华章科技
  • 数据、学习和模型

    机器学习中有几个关键的概念,这些概念为理解机器学习这个领域奠定了基础。

    白加黑大人
  • 手把手教你从零搭建深度学习项目(附链接)

    本文共1万+字,建议阅读10+分钟。 本文将会从第一步开始,教你解决项目开发中会遇到的各类问题。

    数据派THU

扫码关注云+社区

领取腾讯云代金券