2021 年 10 月，我们宣布收购了 MuJoCo 物理模拟器，并将其免费提供给所有人，以支持各地的研究。我们还致力于开发和维护 MuJoCo，这是一个免费、开源、社区驱动的项目，具有一流的功能。今天，我们很高兴地报告开源已经完成，整个代码库都在 GitHub 上！在这里，我们解释了为什么 MuJoCo 是一个很棒的开源协作平台，并分享了我们未来路线图的预览。
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类可以对异常值更具鲁棒
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类对异常值会更稳健。尽
Stanford AI Lab Papers and Talks at NeurIPS 2021
第三十五届神经信息处理系统会议（NeurIPS）2021 将于 12 月 6 日至 14 日以线上方式举办。我们很高兴与大家分享 SAIL 在主会议、数据集和基准测试轨道以及各种研讨会上展示的所有工作，您可以在下面找到论文、视频和博客的链接。我们 SAIL 社区中的一些成员还担任 12 月 13 日至 14 日举行的几场激动人心的研讨会的共同组织者，所以我们希望您能关注它们！欢迎直接联系联系作者和研讨会组织者，以了解斯坦福大学正在进行的工作！主会议通过将表示解码为输入来提高神经网络的组合性作者：Mike Wu、Noah Goodman、Stefano Ermon联系方式：wumike@stan
Stanford AI Lab Papers and Talks at NeurIPS 2021
第三十五届神经信息处理系统会议（NeurIPS）2021 将于 12 月 6 日至 14 日以线上方式举办。我们很高兴与大家分享 SAIL 在主会议、数据集和基准测试轨道以及各种研讨会上展示的所有工作，您可以在下面找到论文、视频和博客的链接。我们 SAIL 社区的一些成员还担任 12 月 13 日至 14 日举行的几场激动人心的研讨会的共同组织者，所以我们希望您能关注它们！欢迎直接联系联系作者和研讨会组织者，以了解斯坦福大学正在进行的工作！主会议通过将表示解码为输入来提高神经网络的组合性作者：Mike Wu、Noah Goodman、Stefano Ermon联系方式：wumike@stanf
#226 – Jo Boaler: How to Learn Math
Jo Boaler 是斯坦福大学的数学教育教授，也是 youcubed 的联合创始人。请查看我们的赞助商来支持此播客：- Truebill：https://truebill.com/lex- Fundrise：https://fundrise.com/lex- ExpressVPN：https://expressvpn.com/lexpod 并使用代码 LexPod 获得 3 个月免费使用权- Indeed：https://indeed.com/lex 获得 75 美元信用额度- Stamps.com：https://stamps.com 并使用代码 LEX 获得免费邮资和磅秤剧集链接：Jo
CARLA: A Python Library to Benchmark Algorithmic Recourse and Counterfactual Explanation Algorithms
CARLA（反事实和追索库）是一个 Python 库，用于对不同数据集和不同机器学习模型中的反事实解释方法进行基准测试。总之，我们的工作提供了以下贡献：（i）对 11 种流行的反事实解释方法进行了广泛的基准测试，（ii）用于研究未来反事实解释方法的基准测试框架，以及（iii）一套标准化的综合评估措施和数据集，用于对这些方法进行透明和广泛的比较。我们在 Github 上开源了 CARLA 和我们的实验结果，使它们可以作为有竞争力的基准。我们欢迎其他研究小组和从业人员的贡献。
Moral Hazard in Climate Change Adaptation
雅加达海平面上升的迷人色彩，以及对某些类型适应相关的道德风险的良好洞察。https://allanhsiao.github.io/files/Hsiao_jakarta.pdfhttps://allanhsiao.github.io/摘要：海平面上升对雅加达构成了生存威胁，雅加达面临频繁且日益严重的洪水灾害。政府已提议修建海堤作为回应。在这种情况下，我研究了政府干预如何使长期适应气候变化变得复杂。我表明，政府干预会造成沿海道德风险，并使用动态空间模型量化这种力量，在该模型中，开发商和居民在行动时会考虑洪水风险。我发现道德风险会产生严重的锁定效应，并限制向内陆迁移，即使从长远来看也是如此。
#206 – Ishan Misra: Self-Supervised Deep Learning in Computer Vision
Ishan Misra 是 FAIR 的一名研究科学家，致力于自我监督视觉学习。请查看我们的赞助商来支持此播客：- Onnit：https://lexfridman.com/onnit 可享受高达 10% 的折扣- The Information：https://theinformation.com/lex 可享受首月 75% 的折扣- Grammarly：https://grammarly.com/lex 可享受 20% 的高级折扣- Athletic Greens：https://athleticgreens.com/lex 并使用代码 LEX 可获得 1 个月的鱼油剧集链接：Ishan
Яндекс опубликовал подробный датасет с записью движения беспилотников
Yandex 发布了用于机器学习领域研究的无人机数据集。为 Shifts Challenge 发布的匿名数据集，该挑战赛是 NeurIPS 2021 国际会议的一部分。它包含超过 1,600 小时的自动驾驶车辆运动记录，分为 60 万个片段。开发人员收集了俄罗斯、以色列和美国不同天气条件下道路交通的数据。这是世界上此类类型中最大的公开数据集。 GitHub 上的数据集
摘要：这份美国陆军工程师研究与开发中心、海岸和水利实验室的技术报告详细介绍了 guiBathy，这是一个图形用户界面，用于根据悬停无人机系统 (UAS) 收集的图像估算近岸测深。 guiBathy 为非主题专家提供端到端解决方案，通过将强大的摄影测量和信号处理算法打包到易于使用的软件中，利用商用现成 UAS 收集近岸的定量图像软件界面。本报告首先提供有关海岸成像和 guiBathy 使用的摄影测量和测深反演算法的简要背景，以及 UAS 数据收集要求。该报告随后描述了 guiBathy 软件规格、功能和工作流程。 guiBathy 应用程序示例以 2020 年大西洋飓风季节期间进行的 UAS 测
Digi Labs' Wild Goose Chaser (Case Study)
明尼苏达州韦扎塔的 Digi Labs 制定了一项雄心勃勃的计划，即建立一支自主机器人队伍，以解决加拿大鹅日益严重的问题。也就是说，它们无处不在，而且数量呈指数级增长。在北美，这些鹅造成了数百万美元的损失。如果您拥有滨水住宅物业，或拥有足够空间容纳这些生物的企业，那么您已经明白我在说什么了。它们攻击人类、挡路，留下一堆粪便。在最坏的情况下，它们最终会进入跑道附近的飞机引擎或撞上汽车前部。Digi Labs 的 Wild Goosechaser 是基于 Open Rover 4WD 机器人平台构建的。它配备了 Nvidia Tx2，以及许多摄像头和其他传感器，因此它可以执行机载图像识别，然后通过
为您的机器人项目选择正确的 ROS2 版本可能会令人困惑。在这篇文章中，我们将帮助您做出决定。ROS2 Foxy：Foxy 于 2020 年发布，2023 年 5 月后将不再受官方支持。但是，它仍然是一个稳定的版本，拥有大量支持。但是，由于新项目正在转向最新版本 Humble，您可能会发现未来对 Foxy 的支持会减少。需要注意的一件重要事情是 Foxy 可以安装在 Ubuntu 20.04 上，但不能安装在其他操作系统上。如果您使用的是 NVIDIA Orin SOM，则需要使用 Foxy，直到 2023 年第三季度发布 Jetpack 6，这将增加对 Ubuntu 22.04 的支持。RO
I used GAN and a 330 BC sculpture to find out what Alexander the Great looked like
看吧世界——我给你亚历山大大帝——用 GAN 来解释背景：我使用 GAN 或（生成对抗网络）、Leochares 于公元前 330 年制作的亚历山大大帝半身像以及艺术家 Jude Maris 绘制的亚历山大面部照片，创作了一幅栩栩如生的亚历山大大帝肖像。最终产品：用 GANA 解释亚历山大大帝生成对抗网络 (GAN) 是由 Ian Goodfellow 设计的机器学习框架。该概念最初发表在 2014 年的论文《生成对抗网络》中。核心思想是创建一个系统，其中两个神经网络在游戏中相互竞争，生成具有与训练集相同统计数据的新数据。例如，用照片训练的 GAN 可以生成至少在表面上看起来对人类观察者来说真
Datumbox Machine Learning Framework v0.8.2 released
Datumbox Framework v0.8.2 已发布！立即从 GitHub 或 Maven Central Repository 下载。有什么新东西？版本 0.8.2 是一个有限的增量版本，专注于解决错误和更新框架的依赖项。以下是详细信息：错误修复：解决了 ShapiroWilk 上导致错误的问题 […]
Review : Stanford's Online Artificial Intelligence Courses - Deep Learning and Machine Learning
你好！我已经入读斯坦福大学并在网上学习他们的课程。以下是我目前所学课程的一些看法。CS224n - 自然语言处理与深度学习 (Manning 教授)难度：4/5 (中等)预期内容：了解应用于 NLP 的最先进的 (SoTA) 深度学习技术。关键主题：问答文本摘要词性标记序列到序列模型Transformers为您提供了NLP发展方向的非常好的概述，家庭作业很有挑战性，但允许您实现最新的神经架构来解决各种语言问题。我的课堂项目：BertQA（github上99*颗星）- 荣获班级最佳项目奖CS231n - 用于视觉识别的卷积神经网络（Li教授和Justin Johnson）难度：4/5（中等）预期
