- 在 NVIDIA Holoscan 中实现医疗 AI 系统的确定性端到端延迟
AI 和 ML 技术将医疗设备带入了一个革命性的阶段,同时将多个应用程序整合到一个平台上,在 NVIDIA 的 Holoscan 平台背景下,本文提出了一种优化异构 GPU 工作负载的系统设计,通过对真实的 Holoscan 医疗设备应用进 - 智能农业中的基础模型:基础、机遇和挑战
本研究旨在探索基于基础模型(foundation models)在智能农业领域的潜力,通过回顾计算机科学领域的最新研究,并将其归类为语言基础模型、视觉基础模型、多模态基础模型和强化学习基础模型,本文提出了农业基础模型的发展过程和潜在应用及其 - 图表分类的调查与方法
调查了当前用于图表分类的最新技术,并对最近发布的 CHARTINFO UB-UNITECH PMC 数据集进行了广泛的性能比较分析,实现了一种基于视觉的 Transformer 模型,取得了在图表分类方面顶尖的结果。
- 合成数据,真实误差:如何(不)发布和使用合成数据
本文介绍了通过生成模型生成合成数据,并探讨了生成模型对下游机器学习任务的影响。提出了 Deep Generative Ensemble (DGE) 框架,该框架可以学习生成过程模型参数的后验分布,从而在模型训练、评估和不确定性量化方面取得了 - 人工智能和机器学习在景观设计中的未来:以美国弗吉尼亚州海岸为例的案例研究
本文通过使用机器学习技术预测海岸环境变量,提供了即将到来的与先进技术相关的环境的实证证据,同时从后人类主义的角度探讨了设计师在这种环境中的角色和伦理。
- 使用科学出版物生成科学概念的主题页面
本文介绍了主题页面,这是从大量的科学书籍和期刊中提取的科学概念及其相关信息的库存。主题页面旨在为读者提供所有必要的信息,以便在任何科学领域阅读学术内容时理解科学概念。这篇文章讨论了自然语言处理(NLP)和机器学习(ML)不同组成部分的细节。 - SIGIR向量空间不是终极边界:将产品搜索视作程序合成
本研究论文主要探讨了在电子商务中,针对信息检索所进行的机器学习和自然语言处理方面的巨大投入,同时提出程序合成的方法为许多检索问题提供了显著的优势。该方法在许多市场玩家中具有重要意义,并详细说明了其使用和实现细节,以及如何应对常见的反对意见。
- 应用机器学习中的电网行为模式和泛化风险
本文探讨了忽视电网特有的空间时间特征在模型设计和训练中所带来的泛化风险,提供了电网的各种行为模式及其观察结果作为参考,并对现有的机器学习方法进行了评估。
- 构建更安全的自主航空系统
本文讨论使用传统航空系统中的常见架构模式在集成人工智能和机器学习功能的情况下的安全性和保障问题,并通过将安全性视为架构属性来探讨设计生命周期早期涉及的安全性要求分配和架构权衡。
- AAAI在 Qualtrics 压缩跨语言多任务模型
本文利用跨语言多任务建模技术以及模型压缩和蒸馏,为经验管理的多种分类任务提供了有效的文本分析应用程序。实验表明,在 XLM-R 和 mBert 架构中,多任务建模提高了部分经验管理任务的性能,MiniLM 实现了最佳的压缩 / 性能平衡,实 - 哈佛美国专利商标局专利数据集:一个大规模、结构良好且多用途的专利申请语料库
本文介绍了哈佛美国专利商标局专利数据集(HUPD),是规模大、结构良好且多用途的英文专利申请语料库,可用于创新、人工智能和自然语言处理领域的多项研究任务。
- 因果推断用于公平性
本文强调通过因果关系的发现步骤,适当地使用因果关系来解决公平性问题的重要性,并且通过使用合成和标准公平性基准数据集的实证分析来证实了即使微小的因果模型差异也可能对公平性 / 歧视的结论产生重大影响。
- FashionCLIP: 连接语言与图像的产品展示
该论文介绍了一种基于对比学习的 FashionCLIP 模型,可用于时尚产业中的检索、分类和定位任务,旨在为在线购物提供更加可迁移的产品表示方法。
- AAAI拒绝的科学:人类计算的一个研究领域
阐述了学习拒绝模型预测的科学在机器学习中的重要性,以及人类计算在此方面扮演的领导角色。
- 面向生物序列设计的基于种群的黑盒优化
该研究论文研究了如何通过黑盒优化算法设计新的生物序列,提出了一种名为 P3BO 的人口基础的黑盒优化算法,并结合进化优化算法在线调整超参数,实验证明 P3BO 可以提供更高质量、多样化的序列,是将机器学习应用于实际序列设计的重要步骤。
- 人工智能为基础的 5G 及其以上的无线网络:最新进展与未来挑战
本文研究了如何利用人工智能(AI)和机器学习(ML)技术来设计和运营 B5G 无线网络,包括对最近的进展和未来挑战的综述,以及对 ML 算法和应用的回顾,并总结了将 AI/ML 算法应用于 B5G 网络的标准发展。
- 广义集成梯度:解释多元集成的实用方法
本文介绍了广义整合梯度(GIG),是解释 ML 预测模型的输入变量的方法,并且相较于其他方法有很好的特性,适用于各种实际应用,特别是金融领域。我们证明了在合理的公理下,GIG 是解释混合型模型或游戏的唯一正确方法。
- MLSys: 机器学习系统的新前沿
介绍 ML 系统在实际部署中的难点,并提出在传统系统和 ML 领域交叉的新兴研究方向:ML 系统的硬件和软件实现以及针对预测精度之外的指标进行的 ML 优化,同时介绍了一个新的会议 MLSys。
- 战略机器学习中的透明度成本
本文研究了算法的透明度对算法设计者的成本的影响,进而探究了用户的策略意图对透明机器学习算法设计和性能的影响,通过建模用户和设计者之间的零和博弈,量化了透明性带来的成本,设定成为透明代价。