В тренде на этой неделе: действенная объяснимость в машинном обучении; Как грамотно выполнять многозадачное обучение; Ускоренное обучение с постоянным подкреплением (VaPRL).
Каждую неделю мы анализируем самые обсуждаемые темы в Твиттере от влиятельных лиц в области науки о данных и искусственного интеллекта.
Следующие темы, URL-адреса, ресурсы и твиты были автоматически извлечены с использованием метода моделирования тем, основанного на Sentence BERT, который мы улучшили, чтобы он соответствовал нашему варианту использования.
Хотите узнать больше об используемой методологии? Ознакомьтесь с этой статьей для получения более подробной информации и найдите коды в этом репозитории Github!
Обзор
На этой неделе влиятельные лица Data Science и AI в Твиттере говорили о:
- Обновления машинного обучения
- Обновления обучения с подкреплением
- Последние приложения ИИ
В следующих разделах представлены все подробности по каждой теме.
Обновления машинного обучения
На этой неделе влиятельные лица в области искусственного интеллекта и науки о данных поделились некоторыми новостями о машинном обучении.
Маркус Борба поделился исследовательской работой Директивные пояснения для действенной объяснимости в приложениях машинного обучения. В этой статье исследуются перспективы использования директивных объяснений, чтобы помочь людям в принятии решений, основанных на машинном обучении. Цель статьи состояла в том, чтобы выйти за рамки объяснения предсказаний (с помощью контрфактических объяснений), но также объяснить, как человек может действовать, чтобы получить желаемый результат (если это возможно).
Майк Тамир поделился статьей Как грамотно выполнять многозадачное обучение. Многозадачное обучение (MTL) состоит из обучения уникальной модели для получения нескольких видов прогнозов, например. классификация изображений и семантическая сегментация. Это контрастирует с традиционным подходом к обучению модели машинного обучения для выполнения каждой уникальной задачи, известной как однозадачное обучение (STL). В этой статье обсуждается мотивация MTL, а также некоторые варианты использования, приводятся преимущества MTL, трудности и последние достижения в области алгоритмов.
Доктор. Ganapathi Pulipaka поделился ссылкой на репозиторий Github под названием AutoML-Zero от Google Research. AutoML-Zero нацелен на автоматическое обнаружение компьютерных программ, которые могут решать задачи машинного обучения, начиная с пустых или случайных программ и используя только основные математические операции. Цель состоит в одновременном поиске всех аспектов алгоритма машинного обучения, включая структуру модели и стратегию обучения, с минимальным вмешательством человека. Этот репозиторий предоставляет открытый исходный код для статьи: «AutoML-Zero: развитие алгоритмов машинного обучения с нуля».
Обновления обучения с подкреплением
Кроме того, влиятельные лица поделились многочисленными фрагментами контента по обучению с подкреплением (RL).
Сергей Левин поделился исследовательской работой Устойчивое обучение с подкреплением через учебные планы подцелей. В этом документе представлен подход к ускоренному обучению с постоянным подкреплением (VaPRL), который создает учебную программу начальных состояний, чтобы агент мог использовать успех более простых задач для эффективного изучения более сложных задач. Агент может научиться достигать начальных состояний, предложенных учебной программой, сводя к минимуму зависимость от вмешательства человека в процесс обучения. Этот новый подход позволяет более автономно приобретать сложные модели поведения для различных агентов.
Нандо Де Фрейтас поделился ссылкой на репозиторий Github Mava: исследовательская структура для распределенного многоагентного обучения с подкреплением от InstaDeep AI. Mava — это библиотека для создания систем многоагентного обучения с подкреплением (MARL). Mava предоставляет полезные компоненты, абстракции, утилиты и инструменты для MARL и обеспечивает простое масштабирование для обучения и выполнения многопроцессных систем, обеспечивая при этом высокий уровень гибкости и компонуемости.
KDnuggets поделились ссылкой на исследование в блоге DeepMind под названием «Обычно способные агенты появляются из игры с открытым концом». В этом посте кратко изложена исследовательская работа «Неограниченное обучение ведет к агентам, способным в целом», в которой исследуется, как мы можем преодолеть текущее ограничение RL при создании агентов ИИ с более общим и адаптивным поведением. Например, в контексте игр это приводит к тому, что агенты изучают одну игру за раз, не могут реагировать на совершенно новые условия и играют в целую вселенную игр и задач, в том числе никогда не встречавшихся ранее.
Последние применения ИИ
На этой неделе влиятельные лица в области науки о данных и искусственного интеллекта рассказали о последних применениях искусственного интеллекта, общих учебных пособиях и новейших приложениях из мира искусственного интеллекта.
Найдж Уилсон и Боб Э. Хейс поделились интересной статьей Что такое искусственный интеллект и все, что нам нужно знать об ИИ. В статье рассказывается о различных типах ИИ и о том, что эти типы ИИ могут делать.
Кирк Борн поделился еще одной интересной статьей о Композитном ИИ. В этой статье рассказывается, как применять наилучшее сочетание технологий и методов искусственного интеллекта для решения уникальных задач, с которыми вы сталкиваетесь.
Влиятельные лица также поделились многочисленными интересными приложениями ИИ. Майк Тамир поделился статьей Развитие спортивной аналитики с помощью исследований ИИ.
Рональд Ван Лун поделился статьей о том, как Intel использует машинное обучение, чтобы сделать GTA V невероятно реалистичной. Проведение игры через процессы, созданные исследователями Стефаном Р. Рихтером, Хассаном Абу Альхайей и Владленом Колтеном, приводит к удивительному результату: визуальный вид, который имеет безошибочное сходство с фотографиями, которые вы могли бы случайно сделать через заляпанное лобовое стекло вашего автомобиля.
ipfconline поделился видео на YouTube о том, как ИИ учится превращать скетчи в аниме.
