开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何在平均基线列中填充控制行的平均基准值以实验行

在平均基线列中填充控制行的平均基准值以实验行，可以通过以下步骤实现：

首先，确定平均基线列和控制行的位置。平均基线列是指用于计算平均基准值的列，而控制行是需要填充平均基准值的行。
计算平均基准值。遍历平均基线列中的所有数值，求它们的平均值作为平均基准值。
遍历控制行。对于每一行，将平均基准值填充到平均基线列的相应位置。
完成填充后，实验行中的平均基线列将包含控制行的平均基准值。

这个方法适用于需要将控制行的平均基准值填充到实验行的平均基线列中的场景。通过这种方式，可以在实验行中使用控制行的平均基准值进行比较和分析。

腾讯云相关产品和产品介绍链接地址：

云服务器（ECS）：提供弹性计算能力，支持多种操作系统和应用场景。详情请参考：https://cloud.tencent.com/product/cvm
云数据库 MySQL 版（CDB）：提供高可用、可扩展的 MySQL 数据库服务。详情请参考：https://cloud.tencent.com/product/cdb_mysql
人工智能平台（AI Lab）：提供丰富的人工智能开发工具和服务，包括图像识别、语音识别、自然语言处理等。详情请参考：https://cloud.tencent.com/product/ailab
物联网套件（IoT Hub）：提供物联网设备接入、数据管理和应用开发的一站式解决方案。详情请参考：https://cloud.tencent.com/product/iothub
移动推送服务（Xinge Push）：提供高效可靠的移动设备消息推送服务，支持多种推送方式和场景。详情请参考：https://cloud.tencent.com/product/xgpush

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

MMsys'24 | 基于离线强化学习的实时流媒体带宽精确预测

近年来，实时通信（RTC）已成为一项重要的通信技术，并得到了广泛的应用，包括低延迟直播，视频会议和云游戏。RTC 系统的首要目标是提供高质量的视频和音频并确保稳定的通信过程（例如，避免卡顿、视频模糊）。为了实现这一目标，现有的 RTC 系统（如 WebRTC）基于动态的网络条件预测链路带宽并自适应地调整传输视频质量。主流的带宽预测方法可以分为两类: 启发式算法和机器学习算法。常用的启发式带宽预测算法有 WebRTC 框架中的Google拥塞控制（GCC）。GCC主要通过监测链路的往返时间（RTT）变化来预测带宽。虽然 GCC 展示了其主动避免拥塞的高灵敏度，但现实世界RTC流的复杂性和可变性可能会干扰 GCC 的准确性。而机器学习方案包括在线强化学习与模仿学习，不仅具有很高的训练成本，同时一般基于模拟的网络环境进行训练，往往在真实世界中鲁棒性较差。因此本文提出了一类低成本，高泛化性能的离线训练模型以优化各种网络环境中的用户体验质量（QoE）。

01

ChatGPT说谎竟然是故意的？哈佛大学提出ITI：模型真实性翻倍，计算开销基本为零

大型语言模型，比如ChatGPT经常会在答案中输出错误信息，可能会对用户造成误导，这种现象也被称为模型幻觉（hallucination）。

02

Istio 完败？Linkerd 和 Istio 基准测试

两年前，Kinvolk(https://kinvolk.io/) 的优秀人士对 Linkerd 和 Istio 的性能进行了基准测试(https://kinvolk.io/blog/2019/05/performance-benchmark-analysis-of-istio-and-linkerd)，结果显示，只有 Linkerd 消耗了更多的数据平面 CPU 之外，Linkerd 在其他方面表现都比 Istio 明显更好。最近，我们使用这两个项目的最新版本重复了这些实验。我们的结果显示，「Linkerd 不仅仍然比 Istio 快得多，而且现在消耗的数据平面内存和 CPU 也少了一个数量级」。这些结果甚至在吞吐量水平超过 Kinvolk 评估的3倍情况下仍可保持，你也可以自己进行测试。

03

基准测试Linkerd和Istio

(Photo by Marc Sendra Martorell on Unsplash.)

02

Istio和Linkerd基准性能测试对比

两年前，Kinvolk(https://kinvolk.io/) 优秀人士对 Linkerd 和 Istio 的性能进行了基准测试(https://kinvolk.io/blog/2019/05/performance-benchmark-analysis-of-istio-and-linkerd)，结果显示，只有 Linkerd 消耗了更多的数据平面 CPU 之外，Linkerd 在其他方面表现都比 Istio 明显更好。最近，我们使用这两个项目的最新版本重复了这些实验。我们的结果显示，「Linkerd 不仅仍然比 Istio 快得多，而且现在消耗的数据平面内存和 CPU 也少了一个数量级」。这些结果甚至在吞吐量水平超过 Kinvolk 评估的3倍情况下仍可保持，你也可以自己进行测试。

01

如何使用Python基线预测进行时间序列预测

建立基线对于任何时间序列预测问题都是至关重要的。

学界 | 复现深度强化学习结果所面临的挑战与建议

选自arXiv 机器之心编译参与：蒋思源、路雪本论文对强化学习顶尖试验结果的复现性进行了详细的探讨，并讨论了超参数和随机种子等变量对强化学习模型复现性的重要影响。除此之外，作者还对复现实验所面临的

08

多任务学习中的网络架构和梯度归一化

来源：DeepHub IMBA本文约2600字，建议阅读5分钟本文介绍了多任务学习中的网络架构与梯队归一化。在计算机视觉中的单任务学习已经取得了很大的成功。但是许多现实世界的问题本质上是多模态的。例如为了提供个性化的内容，智能广告系统应该能够识别使用的用户并确定他们的性别和年龄，跟踪他们在看什么，等等。多任务学习(Multi-Task Learning, MTL)可以实现这样的系统，其中一个模型在多个任务之间分配权重，并在一次正向传递中产生多个推理。多任务学习中的优化因为有多个任务同时运行所以M

02

多任务学习中的网络架构和梯度归一化

在计算机视觉中的单任务学习已经取得了很大的成功。但是许多现实世界的问题本质上是多模态的。例如为了提供个性化的内容，智能广告系统应该能够识别使用的用户并确定他们的性别和年龄，跟踪他们在看什么，等等。多任务学习(Multi-Task Learning, MTL)可以实现这样的系统，其中一个模型在多个任务之间分配权重，并在一次正向传递中产生多个推理。

02

图片里的人在干嘛？让深度学习来告诉你 |谷歌CVPR2016论文详解

明确对象描述的生成与解读摘要本文提出了一个可以生成针对图片中特定目标或区域明确描述（指代表达）的方法，这个方法也能理解或解释这一指代表达，进而推断出正确的被描述的目标。以前的方法并没有将情景中的其他潜在模糊目标考虑在内，本文展示了我们所提出的办法比以前的生成目标描述方法要优秀。我们模型灵感源自近期深度学习在图像标注问题上的成功，虽然很难对图片标注进行评估，但是我们的任务能够做到轻松实现目标评估。我们也提出了基于MSCOCO的一个新的用于指代表达的大规模数据集。这个数据集和工具集可以用于可视化和评估，我们

06

BAIR最新RL算法超越谷歌Dreamer，性能提升2.8倍

此次研究的本质在于回答一个问题—使用图像作为观测值（pixel-based）的 RL 是否能够和以坐标状态作为观测值的 RL 一样有效？传统意义上，大家普遍认为以图像为观测值的 RL 数据效率较低，通常需要一亿个交互的 step 来解决 Atari 游戏那样的基准测试任务。

01

26秒训练ResNet，用这些技巧一步步压缩时间，Jeff Dean都称赞：干得漂亮

现在，谷歌AI掌门人Jeff Dean转发推荐了一个训练ResNet的奇技淫巧大礼包，跟着它一步一步实施，训练9层ResNet时，不仅不需要增加GPU的数量，甚至只需要1/8的GPU，就能让训练速度加快到原来的2.5倍，模型在CIFAR10上还能达到94%的准确率。

03

学界 | MIT与Facebook提出SLAC：用于动作分类和定位的稀疏标记数据集

选自arXiv 作者：赵行等机器之心编译参与：刘晓坤、蒋思源近日，MIT 与 Facebook 共同提出了用于动作分类和定位的大规模视频数据集的标注方法，新的框架平均只需 8.8 秒就能标注一个剪辑，相比于传统的标注过程节省了超过 95% 的标注时间，继而证明了该数据集可以有效预训练动作识别模型，经过微调后能显著提高在较小规模数据集上的最终评估度量。数据集链接：http://slac.csail.mit.edu/ 图像分类和目标检测领域近年来取得了重大的平行进展。可以认为，这些进展归功于数据集的质量

06

基于深度学习的农作物行检测，用于农业机器人的田间导航

粮食生产需求的增加导致了农业任务所需劳动力的增加。在这一背景下，农业机器人成为满足不断增长的劳动力需求的关键。然而，农业技术绩效的不确定性已成为新技术采用者的主要关注点。

00

使用 Elasticsearch 进行大规模向量搜索的设计原则

在设计向量搜索体验时，可供选择的方案众多，可能让人感到不知所措。最初管理少量向量相对简单，但随着应用规模的扩大，这很快会成为瓶颈。

06

CVPR 2021 | 华南理工等推出基于3D点云数据的功能可供性数据集

机器之心专栏作者：徐迅为了促进视觉功能可供性在真实场景中的研究，在这篇CVPR 2021论文中，来自华南理工大学等机构的研究者提出了基于 3D 点云数据的功能可供性数据集 3D AffordanceNet。基于此数据集，研究者提供了三个基准任务，用于评估视觉功能可供性理解。简介功能可供性 (Affordance) 理解关心的是人类和环境之间的交互。例如，一个人可以坐在椅子上，抓取一个杯子或者提起一个背包。能够从视觉信息中理解物体的功能可供性对机器人在动态且复杂的环境中执行操作是至关重要的。物体功能可

01

nuscenes再创新高！EA-LSS：高效优化LSS方案，即插即用~

大家好，很开心能够受邀来到自动驾驶之心分享我们最近针对多模态BEV 3D目标检测的改进方案——EA-LSS。下面将会给大家详细介绍EA-LSS的设计思路与实验。

02

CSS 布局_2 Flex弹性盒

弹性盒，是一种布局方式，当页面需要适应不同的屏幕大小以及设备类型时，它依然能确保元素拥有更恰当的排布行为，弹性盒属于 CSS 3 部分，IE9 以下不支持，现代浏览器指的就是 IE9 及以上的浏览器

04

图神经网络(GNN)的前沿应用！

大家好，我是花哥，之前介绍了图神经网络(GNN)的数学原理，本文介绍图神经网络的发展及应用进展。

01

时间序列+预训练大模型！

时间序列预测可以使用经典预测方法和深度学习方法。经典预测方法如ETS、ARIMA等为每个时间序列独立地拟合模型，而深度学习方法在给定的数据集中学习时间序列。

01

Nature Machine Intelligence | 基于单片段修改的分子优化深度生成模型

今天给大家介绍来自美国俄亥俄州立大学Ziqi Chen, Srinivasan Parthasarathy, Xia Ning和美国NEC实验室Martin Renqiang Min共同发表在Nature Machine Intelligence上的文章《A Deep Generative Model for Molecule Optimization via One Fragment Modification》。文章介绍了一种新的深度生成模型Modof，它预测给定分子的单个断开位点，通过在该位点去除和/或添加片段进行分子修改。Modof每次只修改一个片段，遵循体外化学修饰，保留了主要分子支架，可控制中间优化步骤并能更好的约束分子相似性。

02

ICL的时候，更多sample好还是更多prompt好呢？

虽然大多数现有的LLM提示工程只专注于如何在单个提示输入中选择一组更好的数据样本(In-Context Learning或ICL)，但为什么我们不能设计和利用多个提示输入来进一步提高LLM性能?本文提出上下文采样(ICS)，一种低资源LLM提示工程技术，通过优化多个ICL提示输入的结构来产生最有置信度的预测结果。

01

Nature neuroscience：神经脆弱性作为癫痫发作区脑电图标志物

全世界有超过1500万癫痫患者对药物没有反应。成功的手术治疗需要完全切除或切断癫痫发作区(SOZ)，即癫痫发作的脑区。然而，由于没有临床验证的SOZ生物标记物存在，手术成功率在30 - 70%之间。我们开发并回顾性验证了一种新的脑电图(EEG)标记物——神经脆弱性——在对91例患者的回顾性分析中，使用注释过的SOZ的神经脆弱性作为预测手术结果的指标。脆弱性预测了47例手术失败中的43例，总体预测准确率为76%，而临床医生的准确率为48%(成功结果)。在失败的结果中，我们确定了未得到治疗的脆弱区域。与作为SOZ标记的20种脑电图特征相比，脆弱性在预测能力和可解释性方面表现更好，这表明神经脆弱性可作为SOZ的脑电图生物标志物。本文发表在Nature neuroscience杂志。(可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。

03

flexbox 伸缩布局

row: 左－> 右，row-reverse: 右 -> 左，column：上－> 下，column-reverse：下－> 上

03

【调研】GPU矩阵乘法的性能预测——Machine Learning Approach for Predicting The Performance of SpMV on GPU

通常，矩阵的大部分值都是零，因此在矩阵中，将数值为0的元素的数目远远大于非0的元素的数目，并且非0元素分布无规律时，称为稀疏矩阵；反之，则称为稠密矩阵。

02

RepMet: Representative-based metric learning for classification on

距离度量学习(DML)已成功地应用于目标分类，无论是在训练数据丰富的标准体系中，还是在每个类别仅用几个例子表示的few-shot场景中。在本文中，我们提出了一种新的DML方法，在一个端到端训练过程中，同时学习主干网络参数、嵌入空间以及该空间中每个训练类别的多模态分布。对于基于各种标准细粒度数据集的基于DML的目标分类，我们的方法优于最先进的方法。此外，我们将提出的DML架构作为分类头合并到一个标准的目标检测模型中，证明了我们的方法在处理few-shot目标检测问题上的有效性。与强基线相比，当只有少数训练示例可用时，我们在ImageNet-LOC数据集上获得了最佳结果。我们还为该领域提供了一个新的基于ImageNet数据集的场景benchmark，用于few-shot检测任务。

02

谷歌开源首个「方言」数据集：让机器翻译更地道

---- 新智元报道编辑：LRS 【新智元导读】数据集包含葡萄牙语和汉语普通话。虽然全中国的人都在说汉语，但具体到各地的方言却略有不同，比如同样是小巷的意思，「胡同」一开口就知道是老北京了，而到了南方则叫「弄」。这种细微的地域性差异反应在「机器翻译」任务上，就会显得翻译结果不够「地道」，而目前几乎所有的机器翻译系统都没有考虑地区性语言（即方言）的影响。而在世界范围内也存在这种现象，比如巴西的官方语言是葡萄牙语，跟欧洲的葡萄牙语之间也有一些地域性差异。最近谷歌发布了一个全新的，可用于Fe

02

Linkerd基准测试

更新5/30/2019：根据Istio团队的反馈，Kinvolk重新运行了一些Istio基准。结果在很大程度上与之前相似，Linkerd在延迟、内存占用（可能还有CPU）方面保持着明显优于Istio的优势。下面可以注意到Istio的更新数字。

01

CDW中分析查询的内存优化

如今，超过 1,000 名客户使用 Apache Impala 来支持他们在本地和基于云的部署中的分析。分析师和开发人员组成的大型用户社区受益于 Impala 的快速查询执行，帮助他们更有效地完成工作。对于这些用户而言，性能和并发性始终是首要考虑因素。

01

Bengio 团队力作：GNN 对比基准横空出世，图神经网络的「ImageNet」来了

图神经网络（GNN）是当下风头无两的热门研究话题。然而，正如计算机视觉的崛起有赖于 ImageNet 的诞生，图神经网络也急需一个全球学者公认的统一对比基准。

03

比9种SOTA GNN更强！谷歌大脑提出全新图神经网络GKATs

从社交网络到生物信息学，再到机器人学中的导航和规划问题，图在各种现实世界的数据集中普遍存在。

06

AI键盘侠来了：DeepMind开始训练智能体像人一样「玩」电脑

来源：机器之心本文约3100字，建议阅读6分钟本文探究了训练智能体像人一样进行键盘和鼠标的基本计算机控制。人类每天使用数字设备的时间长达数十亿小时。如果我们能够开发出协助完成一部分这些任务的智能体，就有可能进入智能体辅助的良性循环，然后根据人类对故障的反馈，改进智能体并使其获得新的能力。DeepMind 在这一领域有了新的研究成果。如果机器可以像人类一样使用计算机，则可以帮助我们完成日常任务。在这种情况下，我们也有可能利用大规模专家演示和人类对交互行为的判断，它们是推动人工智能最近取得成功的两个因素。

03

TinyBERT：模型小7倍，速度快8倍，华中科大、华为出品

在自然语言处理（NLP）领域，BERT 等预训练语言模型极大地提升了诸多 NLP 任务的性能。但是，这类预训练语言模型通常计算开销大，内存占用也大，因此很难在一些资源紧张的设备上有效执行。

01

Nature Medicine：经颅交流电刺激可以改善强迫症

强迫症行为在普通人群中非常普遍，对个体造成极大的痛苦。目前对强迫症的治疗结果令人失望，并伴随着副作用。通过非侵入性的神经调节(例如，经颅交流电刺激，tACS)，可以进行个性化干预。

01

小版BERT也能出奇迹：最火的预训练语言库探索小巧之路

近日，HuggingFace 发布了 NLP transformer 模型——DistilBERT，该模型与 BERT 的架构类似，不过它仅使用了 6600 万参数（区别于 BERT_base 的 1.1 亿参数），却在 GLUE 基准上实现了后者 95% 的性能。

02

小版BERT也能出奇迹：最火的预训练语言库探索小巧之路

近日，HuggingFace 发布了 NLP transformer 模型——DistilBERT，该模型与 BERT 的架构类似，不过它仅使用了 6600 万参数（区别于 BERT_base 的 1.1 亿参数），却在 GLUE 基准上实现了后者 95% 的性能。

02

来瞧瞧webp图像强大的预测算法

WebP 图片格式是由 Google 基于 VP8 视频编码格式研发的，同时提供有损压缩和无损压缩两种格式，那么今天就来看看 WebP 有损压缩与无损压缩的具体技术细节。

02

CVPR 2022 | 常见3D损坏和数据增强

论文名称：3D Common Corruptions and Data Augmentation（CVPR2022[Oral]）

03

让智能体像孩子一样观察别人学习动作，跨视角技能学习数据集EgoExoLearn来了

在探索人工智能边界时，我们时常惊叹于人类孩童的学习能力 —— 可以轻易地将他人的动作映射到自己的视角，进而模仿并创新。当我们追求更高阶的人工智能的时候，无非是希望赋予机器这种与生俱来的天赋。

01

0代码训练GPT-5？MIT微软证实GPT-4涌现自我纠错能力，智能体循环根据反馈让代码迭代！

近日，MIT和微软的学者发现，在GPT-4和GPT-3.5之中，只有GPT-4表现出了有效的自修复。并且，GPT-4甚至还能对GPT-3.5生成的程序提供反馈。

01

把LLM视作操作系统，它就拥有了无限「虚拟」上下文，伯克利新作已揽1.7k star

近年来，大语言模型（LLM）及其底层的 transformer 架构已经成为了对话式 AI 的基石，并催生了广泛的消费级和企业应用程序。尽管有了长足的进步，但 LLM 使用的固定长度的上下文窗口极大地限制了对长对话或长文档推理的适用性。即使是使用最广泛的开源 LLM，它们的最大输入长度只允许支持几十条消息回复或短文档推理。

03

学界 | AAAI 2018获奖论文提前揭晓：两大奖项花落阿尔伯塔、牛津

机器之心报道参与：蒋思源、李泽南、李亚洲 AAAI 2018 大会即将在 2 月 2 日于美国新奥尔良开幕。但在此之前，本届大会的获奖论文已经放出。据机器之心刚刚获得的消息，阿尔伯塔大学 Martin Müller 等人的工作获得了杰出论文（Outstanding Paper），而牛津大学 Shimon Whiteson 等人的研究获得了杰出学生论文（Outstanding Student Paper）奖。作为人工智能领域的顶级国际会议，AAAI 大会每年举办一次。今年 AAAI 会议将于 2 月 2

04

哈工大 | 提出共享Attention框架：SAPT，提升LLM持续学习性能

在大模型实际部署落地的过程中，如何赋予大模型持续学习的能力是一个至关重要的挑战。这使其能够动态适应新的任务并不断获得新的知识。大模型的持续学习主要面临两个重大挑战，分别是灾难性遗忘和知识迁移。灾难性遗忘是指模型在学习新任务时，会忘记其已掌握的旧任务。知识迁移则涉及到如何在学习新任务时有效地应用旧任务的知识来提升新任务学习的效果。【作者主页：https://circle-hit.github.io】

01

每日论文速递 | AutoLoRA:通过meta learning学习LoRA最优秩

摘要：在各种 NLP 任务中，大规模预训练和针对特定任务的微调取得了巨大成功。由于对大型预训练模型的所有参数进行微调会带来巨大的计算和内存挑战，人们开发出了几种高效的微调方法。其中，低秩适应（Low-rank adaptation，LoRA）在冻结的预训练权重基础上对低秩增量更新矩阵进行微调，已被证明特别有效。然而，LoRA 在所有层中统一分配秩，并依赖穷举搜索来找到最佳秩，这导致了高计算成本和次优的微调性能。为了解决这些局限性，我们引入了 AutoLoRA，这是一种基于元学习的框架，用于自动识别每个 LoRA 层的最佳等级。AutoLoRA 将低秩更新矩阵中的每个秩-1 矩阵与一个选择变量相关联，该选择变量决定是否应丢弃秩-1 矩阵。我们开发了一种基于元学习的方法来学习这些选择变量。通过对这些变量的值进行阈值化处理，确定最佳秩。我们在自然语言理解、生成和序列标注方面的综合实验证明了 AutoLoRA 的有效性。

01

深度学习+EEG：一种采用单通道EEG检测被试注意力状态的卷积神经网络构架

脑机接口(BCI)系统可以记录并处理大脑信号并将其转换为输出命令，其可用于各种应用场景，如辅助技术，神经康复和认知增强等。在各种用于脑信号记录的技术中，脑电图（EEG）是BCI研究中研究最多的方法。而基于EEG的认知BCI，旨在评估和增强诸如注意力等认知功能。之前的研究更多的关注于选取合适的特征，以将其用来对注意力程度进行分类。用于监视专注精神状态的现有技术方法主要与EEG频带中的特定频段有关。大量的研究调查了注意力引起的beta，alpha 和不同频段之间能量比值的变化。总体而言，很多研究认为像beta这样的高频段活动增加是一种注意唤醒的指标，另外一些研究表明θ和β的能量比值、α和θ能量的降低也表明较高的专注程度。深度学习近年来在语音识别及图像识别领域取得了非常突出的表现，因其可以自动提取相关特征用于分类任务，近年来将深度学习技术应用于EEG数据的研究也逐渐增多。但是深度学习技术应用于认知BCI的研究目前还较少。近期，来自新加坡的研究团队在Journal of Neural Engineering杂志发表题目为《Inter-subject transfer learning with end-to-end deep convolutional neural network for EEG-based BCI》研究论文，其提出了一种深度学习框架，利用单通道EEG信号来检测被试的注意力状态，可以显著提高被试间注意力检测任务的准确性。材料与方法 1.数据

00

Improved Object Categorization and Detection Using Comparative Object Similarity

由于在现实世界中物体的固有长尾分布，我们不太可能通过为每个类别提供许多视觉示例来训练一个目标识别器/检测器。我们必须在目标类别之间共享视觉知识，以便在很少或没有训练示例的情况下进行学习。在本文中，我们证明了局部目标相似信息(即类别对是相似的还是不同的)是一个非常有用的线索，可以将不同的类别联系在一起，从而实现有效的知识转移。关键洞见:给定一组相似的目标类别和一组不同的类别，一个好的目标模型应该对来自相似类别的示例的响应比来自不同类别的示例的响应更强烈。为了利用这种依赖于类别的相似度正则化，我们开发了一个正则化的核机器算法来训练训练样本很少或没有训练样本的类别的核分类器。我们还采用了最先进的目标检测器来编码对象相似性约束。我们对来自Labelme数据集的数百个类别进行的实验表明，我们的正则化内核分类器可以显著改进目标分类。我们还在PASCAL VOC 2007基准数据集上评估了改进的目标检测器。

05

AI键盘侠来了：DeepMind开始训练智能体像人一样「玩」电脑

机器之心报道机器之心编辑部人类每天使用数字设备的时间长达数十亿小时。如果我们能够开发出协助完成一部分这些任务的智能体，就有可能进入智能体辅助的良性循环，然后根据人类对故障的反馈，改进智能体并使其获得新的能力。DeepMind 在这一领域有了新的研究成果。如果机器可以像人类一样使用计算机，则可以帮助我们完成日常任务。在这种情况下，我们也有可能利用大规模专家演示和人类对交互行为的判断，它们是推动人工智能最近取得成功的两个因素。最近关于 3D 模仿世界中自然语言、代码生成和多模态交互行为的工作（2021 年

02

媲美Gen-2，Meta多模态创AI生图新里程碑！破文生视频历史难题，静图秒变视频逼真到炸裂

Emu Video，是一种基于扩散模型的文本到视频生成方法，可以分解步骤生成高质量的视频。

02

Bioinformatics丨GraphDTA用图神经网络预测药物靶点的结合亲和力

今天给大家介绍迪肯大学Thin Nguyen教授等人发表在Bioinformatics上的一篇文章 “GraphDTA: predicting drug–target binding affinity with graph neural networks” 。药物再利用可以避免昂贵和漫长的药物开发过程，估计新药物-靶标对相互作用强度的计算模型可加快药物的再利用，然而，以往的模型均是将药物表示为字符串，但这不是分子表示的合理方式，所以作者提出了一种新的GraphDTA模型，将药物表示为图，并使用图神经网络预测药物与靶点的亲和力。结果表明，图神经网络不仅比非深度学习模型更能预测药物靶点的亲和性，而且比其他深度学习方法更有效。

02

比9种SOTA GNN更强！谷歌大脑提出全新图神经网络GKATs

来源：Google、新智元本文约2550字，建议阅读5分钟本文为你介绍谷歌大脑与牛津大学、哥伦比亚大学的研究人员提出的一种全新GNN：GKATs。 [ 导读 ]GNN虽牛，但也避免不了计算复杂性等问题。为此，谷歌大脑与牛津大学、哥伦比亚大学的研究人员提出了一种全新的GNN：GKATs。不仅解决了计算复杂度问题，还被证明优于9种SOTA GNN。从社交网络到生物信息学，再到机器人学中的导航和规划问题，图在各种现实世界的数据集中普遍存在。于是乎，人们对专门用于处理图结构数据的图神经网络（GNN）产生了极

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭