2019机器学习最具发展力研究一览

2019机器学习最具发展力研究一览

机器学习用途

机器学习的用途正在迅速扩大。到了2019年,在探索使用该技术新方向上已经进行了大量研究。下面收集的是迄今为止在机器学习领域所进行的一些最激动人心的研究。

基于视觉的触觉传感的迁移学习

计算机模拟人类感官的能力并不均衡:在五种感官中,触觉也许是发展最慢的。为了克服这些缺点,研究人员Carmelo Sferrazza和Raffaello D’Andrea发表了一篇题为《基于视觉的触觉传感的迁移学习》的论文,主张使用“软光学(或基于视觉的)触觉传感器”,它综合了成本低、易于制造和布线少的特点。该模型在很大程度上依赖于计算机视觉,以便训练触觉模型并帮助触觉传感器进行物体识别。他们的专有系统使用了软凝胶传感器 (soft-gel sensor) 和计算机视觉训练网络,在这种网络中,他们通过弹性材料在受力时所产生的变形,能够通过摄像头感知软表面上的力分布。

视频人脸聚类面部表征自监督学习

随着近年来人脸识别技术的不断发展,研究人员开始重新考虑这项技术的应用范围及其应用方式。就应用于研究视频的系统而言,研究从简单地识别主要人物,开始转向使用面部知识来分析故事。多伦多大学的一组研究人员在他们最近关于这一主题的论文《视频人脸聚类的面部表征的自我监督学习》中指出,基于故事情节,更深入地理解视频,能够预测哪些角色何时何地出现。为此,这些研究人员开发了一种无监督模型,能够根据现有的数据集(如Youtube Faces等面部数据库)和有限的训练来创建高度准确的面部识别模型。这些模型可以利用基于有序面部距离,动态生成正/负约束,并不必仅依赖于目前常用的轨道追踪信息。对于复杂的、时间密集型模型训练的依赖性降低,将其用于将来的视频分析,有很大的潜力。

独立深度生成模型的混合竞争训练

变分自动编码器 (VAE) 和生成对抗网络 (GAN) 是用于无监督学习的最突出的模型类型,但每个都有明显的缺点:VAE在馈送自然图像时难以生成高质量的样本,而GAN需要大量的训练。马克斯·普朗克研究所的一个研究小组最近开展的一项研究项目旨在通过利用两者的优势来改善每个模型的缺点,采用一种方法来并行训练多个模型,这些模型侧重于分布式训练的独立部分。在论文《独立深度生成模型的混合竞争训练》中,总结了他们的发现,更直观地使用模型,或同时使用多种类型,将为模型训练创造更强大的环境,允许更广泛地使用数据,可以为如何在运行中进行模型选择提供一些启示。

你能相信这种预测吗

逐点审计学习可靠性

随着机器学习更深入地融入日常业务运营中,测试预测模型的可靠性和准确性的需求也增加了。虽然大多数准确度指标都集中在消除训练过程中的错误,但很少有选项来评估活动模型的准确性。为了解决这个问题,约翰·霍普金斯大学的Peter Schulam和Suchi Saria教授提交了一种称为重采样不确定性估计器 (RUE) 的审计算法,该算法预估模型在不同的训练数据上,预测值会有多大变化。根据其创建者的说法,这种新算法的目的是帮助提高医学等高风险领域的机器学习的使用。在他们的研究论文《你能相信这种预测吗——逐点审计学习可靠性》中,他们指出,由于这些领域所需要的可靠性,机器学习必须在采用前后的准确性方面进行衡量。RUE等的发展将加速在这些领域采用机器学习。

结论

机器学习已经使得金融和人力资源等领域的琐事自动化。现在,由于研究旨在使该技术更加可靠、准确和广泛可用,我们可能会在广告和医药等领域看到更多自动化任务,也会有越来越多领域掀起机器学习革命!

原文作者:Open Data Science

翻译作者:Tony Yan Wang

美工编辑:过儿

校对审稿:Dongdong

原文链接:https://medium.com/odscjournal/the-best-machine-learning-research-of-2019-so-far-954120947794