XiaoMi-AI文件搜索系统
World File Search System专门化
竞争人工智能：竞争反馈如何影响机器......
本文研究了竞争如何影响机器学习 (ML) 预测因子。随着 ML 变得越来越普遍，公司经常使用它来争夺客户。例如，Yelp 等数字平台使用 ML 来预测用户偏好并提出建议。用户更经常查询的服务（可能是因为它更准确地预测了用户偏好）也更有可能获得额外的用户数据（例如以 Yelp 评论的形式）。因此，竞争预测因子会引起反馈循环，从而预测因子的性能会影响其接收的训练数据并随着时间的推移使其预测产生偏差。我们引入了一个灵活的竞争 ML 预测因子模型，该模型既可以快速进行实验，又可以实现理论可处理性。我们通过实证和数学分析表明，竞争导致预测因子专门针对特定子群体，但代价是其在一般人群中的表现更差。我们进一步分析了预测因子专门化对用户体验到的整体预测质量的影响。我们表明，市场中竞争预测因子过少或过多都会损害整体预测质量。我们的理论通过使用流行的学习算法（例如神经网络和最近邻方法）在多个真实数据集上进行的实验得到了补充。
探索神经网络剪枝以实现任务专业化
本文探讨了在迁移学习应用中使用神经网络修剪来实现更高效的推理。目标是将神经网络集中并优化在较小的专门目标任务上。随着物联网的出现，我们看到基于人工智能的移动和嵌入式设备（如可穿戴设备和其他智能设备）的应用大幅增加。然而，随着机器学习算法的复杂性和能力不断增加，由于这些设备上资源有限，这种向边缘的推进带来了新的挑战。需要某种形式的压缩才能让最先进的卷积神经网络在边缘设备上运行。在这项工作中，我们调整了现有的神经网络修剪方法，使它们能够专门化网络，使其仅关注最初训练的子集。这是一个迁移学习用例，我们优化大型预训练网络。这与标准优化技术不同，它允许网络忘记某些概念，并使网络的占用空间更小。我们比较了不同的修剪标准，包括可解释人工智能 (XAI) 领域的标准，以确定哪种技术可以实现尽可能小的网络，同时保持目标任务的高性能。我们的结果显示了在嵌入式设备上执行神经网络时使用网络专业化的好处，无论是否使用 GPU 加速。
来自未来的机器
如今，远程呈现技术让学生能够与导师和老师见面，让医生能够为千里之外的患者提供治疗。机器人帮助工厂车间打包。联网传感器可以监控设施，3D打印可以制造定制商品。我们被一个充满可能性的世界所包围。当我们开始想象人工智能和机器人技术的进步能为我们做些什么时，这些可能性只会变得更大。想象这样一个世界：日常任务不再是你的菜。新鲜农产品由无人机送到你家门口。垃圾桶可以自行清空，智能基础设施系统支持自动拾取。人工智能助手——无论是否具体化——都充当着守护天使的角色，提供建议，确保我们最大限度地利用和优化我们的生活，过上好日子，有效地工作。机器人领域有可能通过为人们提供认知和身体任务的支持，极大地提高我们在工作、家庭和娱乐中的生活质量。多年来，机器人帮助人类完成危险、肮脏和枯燥的任务，并帮助人类探索难以到达的环境，从深海到深空。越来越强大的机器人将能够在认知层面上适应、学习并与人类和其他机器互动。机器人技术的目标不是通过机械化和自动化任务来取代人类，而是寻找新方法让机器人与人类更有效地合作。机器在处理数字和精确移动等任务方面比人类更胜一筹。机器人可以举起更重的物体。人类在推理、定义抽象、概括或专门化等任务上比机器更胜一筹，这要归功于我们借鉴先前经验的能力。