#306 – Oriol Vinyals: Deep Learning and Artificial General Intelligence
Oriol Vinyals 是 DeepMind 的研究总监和深度学习负责人。请查看我们的赞助商来支持此播客： - Shopify：https://shopify.com/lex 获得 14 天免费试用 - Weights & Biases：https://lexfridman.com/wnb - Magic Spoon：https://magicspoon.com/lex 并使用代码 LEX 获得 5 美元折扣 - Blinkist：https://blinkist.com/lex 并使用代码 LEX 获得 25% 的高级折扣 EPISODE LINKS：Oriol 的 Twitter：ht
#295 – Richard Wolff: Marxism and Communism
理查德·沃尔夫是一位马克思主义哲学家和经济学家。请查看我们的赞助商来支持此播客：- Skiff：https://skiff.org/lex 获得早期访问权- Indeed：https://indeed.com/lex 获得 75 美元信用额度- Onnit：https://lexfridman.com/onnit 获得高达 10% 的折扣- Blinkist：https://blinkist.com/lex 并使用代码 LEX 获得 25% 的高级折扣- Linode：https://linode.com/lex 获得 100 美元免费信用额度剧集链接：Richard 的推特：https://
Factor Network Autoregressions
请查看 Barigozzi、Cavaliere 和 Moramarco 撰写的文章：http://d.repec.org/n?u=RePEc:arx:papers:2208.02925&r=非常酷的动态“多层网络”方法。在标准的 N 维网络中，有一个 NxN 邻接矩阵。但更丰富的网络可能有许多种连接，每种连接都由自己的邻接矩阵控制。（多么伟大的见解——一旦你听到它，就会觉得如此自然和明显。一个美好的“顿悟时刻”！）所以也许有 K 个可操作的 NxN 邻接矩阵。然后实际上有一个宏大的 3 维邻接矩阵 (NxNxK) 可操作——一个立方矩阵而不是方阵。简约建模变得绝对关键，在这方面，BCM 有效地
这真是让我震惊。真是太有见地了。在另一个背景下，等权重组合规则！另请参阅我与 Minchul Shin 合作的论文，这些论文分别明确指出了点预测和密度预测的权重相等：Diebold, F.X. 和 Shin, M. (2019)，“机器学习用于正则化调查预测组合：部分平等的套索及其衍生物”，《国际预测杂志》，35，1679-1691。Diebold, F.X.、Shin, M. 和 Zhang, B. (2022)，“关于概率评估的聚合：欧元区通胀和实际利率的正则化预测密度混合”，《计量经济学杂志》，即将出版。工作论文，arXiv:2012.11649。HAR 模型中的预测组合难题作者：Cle
分数阶 SDE-Net：具有长期记忆的时间序列数据生成作者：Kohei Hayashi；Kei Nakagawa摘要：本文重点介绍使用神经网络生成时间序列数据。通常情况下，输入的时间序列数据（尤其是来自真实金融市场的数据）是不规则采样的，其噪声结构比 i.i.d. 类型更复杂。为了生成具有这种特性的时间序列，我们提出了 fSDE-Net：神经分数阶随机微分方程网络。它通过使用 Hurst 指数大于一半的分数布朗运动来推广神经 SDE 模型，从而表现出长期记忆特性。我们推导了 fSDE-Net 的求解器，并从理论上分析了 fSDE-Net 解的存在性和唯一性。我们的实验表明，fSDE-Net 模
Mentorship, Difference, and an Artist's Sensibility with Dr. Malik Boykin
Malik Boykin 博士是布朗大学的心理学教授。Malik 与 Mike Palmer 一起谈论他作为黑人心理学教授之子成长的经历，从康奈尔大学的伊萨卡开始，最后到华盛顿特区的霍华德大学。从那里，Malik 带我们了解了他作为音乐艺术家的旅程，以及他在接触分析、指导和算法偏见方面的研究。除了他在心理学实验室对群体不平等的看法和偏好的研究外，Malik 还向我们介绍了他作为音乐家 Malik Starx 的工作，包括他最近发布的《为自由而舞》。这是一场关于多样性、同理心和创造性表达的广泛对话，您一定不想错过。要观看更多这样的精彩节目，请在您收听播客的任何地方订阅《Trending in E
#120 – François Chollet: Measures of Intelligence
François Chollet 是 Google 的人工智能研究员，也是 Keras 的创建者。通过支持我们的赞助商来支持此播客（并获得折扣）：- Babbel：https://babbel.com 并使用代码 LEX- MasterClass：https://masterclass.com/lex- Cash App：下载应用程序并使用代码“LexPodcast”剧集链接：Francois 的 Twitter：https://twitter.com/fcholletFrancois 的网站：https://fchollet.com/关于智力的衡量（论文）：https://arxiv.org
Easy PixelCNN with tfprobability
PixelCNN 是一种深度学习架构（或架构包），旨在生成高度逼真的图像。要使用它，无需对 arXiv 论文进行逆向工程或搜索参考实现：TensorFlow Probability 及其 R 包装器 tfprobability 现在包含一个 PixelCNN 分布，可用于以可参数化的方式训练直接定义的神经网络。
Open Science Essentials: Preprints
2 分钟内了解开放科学要点，第 4 部分 在研究文章发表在期刊上之前，您可以免费将其提供给任何人阅读。您可以在自己的网站上执行此操作，也可以在预印本服务器（例如 psyarxiv.com）上执行此操作，其他研究人员也在那里分享他们的预印本，……继续阅读“开放科学要点：预印本”
Baidu’s Artificial-Intelligence Supercomputer (Minwa) Beats Google at Image Recognition
近来，图像分类中不断提升的判别能力的竞争愈演愈烈。2 天前，中国百度搜索公司宣布，他们打破了微软研究院在图像识别领域创下的记录，错误率仅降低了 0.36%。微软在近 3 个月前的 2015 年 2 月首次超越了人类的识别性能，而谷歌目前排名第二。所有这一切都是通过使用深度卷积网络和深度学习方案实现的，即构建神经形态识别方案，其中原始信息经过多个中间层，然后给出所需的类别识别输出。这是通过使用巨大的计算能力（超级计算机）来实现的，这种能力被用于对大量真实数据进行系统训练。这些新闻是对之前关于人类情感模拟和识别的文章的后续报道，科学家报告说，相应的系统可以达到并略微超过人类对情感的识别性能！对于那
AI（人工智能）一词已经在日常生活中使用了很长时间。根据总务省《信息通信白皮书》，我们目前正处于第三次人工智能热潮。 这种热潮始于 2000 年代的日本。机器学习，即人工智能通过使用被称为大数据的大量数据自行获取知识，已经投入实际应用。此外，深度学习已经开始，人工智能通过定量地表示识别知识等对象时应注意的特征来获取知识。 然后，在 2020 年代，出现了大规模语言模型（LLM）。这是一种基于深度学习技术创建的语言模型，其特点是能够流畅地处理语言，类似于人类对话或聊天交流。为此，需要解释对方所说的词语（数据），相应地预测对话的主题，并做出适当的回应。这导致了生成式人工智能的出现，例如 OpenA
