XiaoMi-AI文件搜索系统
World File Search SystemDietterich
对牛津大学学者 Thomas Dietterich 的采访
NSR：机器学习为何有用？Dietterich：机器学习为创建高性能软件提供了一种新方法。传统软件工程中，我们与用户交谈，制定需求，然后设计、实施和测试算法以实现这些需求。有了机器学习，我们仍然制定软件系统的总体目标，但我们不是设计自己的算法，而是收集训练示例（通常由人标记数据点），然后应用机器学习算法自动学习所需的功能。这种新方法使我们能够为许多使用以前的软件工程方法无法解决的问题创建软件。尤其是，以前用于视觉对象检测和识别、语音识别和语言翻译的方法的性能还不够好，无法使用。但随着机器学习的最新进展，我们现在拥有可以执行这些任务的系统，其准确度与人类的表现相当（或多或少）。因此，机器学习提供了一种关键技术，可以实现自动驾驶汽车、实时驾驶指令、跨语言用户界面和语音用户界面等应用。机器学习对于网络搜索引擎、推荐系统和个性化广告也很有价值。许多人预测机器学习方法将引发医学革命，特别是在医学图像的自动收集和分析方面。机器学习也是现代公司许多运营方面的有前途的工具。例如，机器学习可以帮助预测客户需求并优化供应链。这也是训练机器人执行灵活制造任务的关键技术。NSR：为什么机器学习对科学界和社会如此重要？
“ cv” div>
2。C. Gomes，T。Dietterich，C。Barrett，J。Conrad，B。Dilkina，S。Ermon，F。Fang，A。Farnsworth，A。Fern，X。Fern，D。Fern，D。Fink，D。Fink，D。Fisher，A。R. Sheldon，D。Shmoys，M。Tambe，W。Wong，C。Wood，X。Wu，Y。Xue，A。Yadav，A。Yakubu，M。L。Zeeman。 计算可持续性：更美好的世界和可持续未来的计算。 ACM通信中，2019年C. Gomes，T。Dietterich，C。Barrett，J。Conrad，B。Dilkina，S。Ermon，F。Fang，A。Farnsworth，A。Fern，X。Fern，D。Fern，D。Fink，D。Fink，D。Fisher，A。R. Sheldon，D。Shmoys，M。Tambe，W。Wong，C。Wood，X。Wu，Y。Xue，A。Yadav，A。Yakubu，M。L。Zeeman。计算可持续性：更美好的世界和可持续未来的计算。ACM通信中，2019年
2022 年绿色技术书籍。气候变化适应解决方案。
来自 WIPO 内外的一批同事自愿分享他们的经验和宝贵建议，我们对此深表感谢。这些同事包括 Amy Dietterich（全球挑战司司长）、Andrew Czajkowski（技术与创新支持司司长）、Carsten Fink（经济与数据分析部首席经济学家）、Kevin Fitzgerald（信息与数字推广司司长）、Walid Abdelnasser（阿拉伯国家司司长）、Aurea Plana（马德里法律司副法律官员）、Edward Harris（新闻与媒体司高级媒体官员）、Charlotte Beauchamp（出版物与设计科科长）、Victor Owade（对外关系司对外关系与伙伴关系官员）、Rajiv Garg（CTCN 区域经理）和 Heather Jacobs（CTCN 知识与研究专家）。
绿色技术书。缓解气候变化的解决方案。
我们的感激之情也扩展到了WIPO绿色参考小组的宝贵贡献，该小组来自Wipo及其他地区，这有助于我们将绿色技术书籍引导到正确的方向。这一专家和敬业的同事包括：艾米·迪特里奇（Amy Dietterich）（全球挑战部门），安德鲁·卡萨科夫斯基（Andrew Czajkowski）（技术与创新支持部门主任），卡斯滕·芬克（Carsten Fink （新闻和媒体部高级媒体官），夏洛特·波尚（夏洛特·波尚（夏洛特·波尚（Publications and Design）负责人），维克多·奥瓦德（Victor Owade）（WIPO学院顾问），Dan Savu（解决方案设计与送货部门负责人），克里斯托弗·哈里森（Christopher Harrison）（专利分析经理，技术和创新支持部）
基于多目标增强学习的同时主题和预测模型...
[1] Shuo Xu，Liyuan Hao，Guancan Yang，Kun Lu和Xin An。基于主题模型的框架，用于检测和预测新兴技术。技术预测和社会变革，第1卷。162，p。 120366，2021。[2] Xing Yi和James Allan。信息检索的Uti-Lizing主题模型的比较研究。在Mohand Boughanem，Catherine Berrut，Josiane Mothe和Chantal Soule-Dupuy，编辑中，信息检索的进步，pp。29–41，柏林，海德堡，2009年。Springer Berlin Heidel-Berg。[3] Shixia Liu，Michelle X. Zhou，Shimei Pan，Yangqiu Song，Weihong Qian，Weijia Cai和Xiaoxiao Lian。tiara：主动，基于主题的视觉文本摘要和分析。acm trans。Intell。 Syst。 技术。 ，卷。 3，编号 2，2012年2月。 [4] David Blei，Andrew Ng和Michael Jordan。 潜在的dirich-让分配。 在T. Dietterich，S。Becker和Z. Ghahra mani中，编辑，《神经信息处理系统的进步》，第1卷。 14。 MIT出版社，2001。 [5] Yishu Miao，Edward Grefenstette和Phil Blunsom。 涵盖神经变异性推断的离散潜在主题，2017年。 [6] Akash Srivastava和Charles Sutton。 主题模型的自动编码变量推断，2017年。 [7] Maarten Grootendorst。 bertopic：基于类的TF-IDF程序的神经主题建模，2022。 [8] David M. Blei和John D. La效应。 动态主题模式。Intell。Syst。技术。，卷。3，编号2，2012年2月。[4] David Blei，Andrew Ng和Michael Jordan。潜在的dirich-让分配。在T. Dietterich，S。Becker和Z. Ghahra mani中，编辑，《神经信息处理系统的进步》，第1卷。14。MIT出版社，2001。[5] Yishu Miao，Edward Grefenstette和Phil Blunsom。涵盖神经变异性推断的离散潜在主题，2017年。[6] Akash Srivastava和Charles Sutton。主题模型的自动编码变量推断，2017年。[7] Maarten Grootendorst。bertopic：基于类的TF-IDF程序的神经主题建模，2022。[8] David M. Blei和John D. La效应。动态主题模式。在第23届机器学习国际会议论文集中，ICML '06，p。 113–120，纽约，纽约，美国，2006年。计算机协会。[9] c´edric f´evotte和j´erˆome idier。算法，用于beta-Divergence，2011年。 [10] Silvia Terragni，Elisabetta Fersini，Bruno Giovanni Galuzzi，Pietro Tropeano和Antonio Candelieri。 八八张：对主题模型进行组合和优化很简单！ 在Dimitra Gkatzia和Djam´e Seddah中，编辑，第16届会议论文集算法，用于beta-Divergence，2011年。[10] Silvia Terragni，Elisabetta Fersini，Bruno Giovanni Galuzzi，Pietro Tropeano和Antonio Candelieri。八八张：对主题模型进行组合和优化很简单！在Dimitra Gkatzia和Djam´e Seddah中，编辑，第16届会议论文集