NeuroIPS () د ماشین زده کړې او مصنوعي استخباراتو په اړه د نړۍ ترټولو لوی کنفرانس او د ژورې زده کړې نړۍ کې اصلي پیښه ده.
ایا موږ، د DS انجنیران به په نوې لسیزه کې د بیولوژي، ژبپوهنې او ارواپوهنې ماسټر هم وکړو؟ موږ به تاسو ته زموږ په بیاکتنه کې ووایو.
سږکال کنفرانس د کاناډا په وینکوور کې د 13500 هیوادونو څخه 80 څخه ډیر خلک راټول کړل. دا لومړی کال نه دی چې سبربینک په کنفرانس کې د روسیې استازیتوب کوي - د DS ټیم د بانکدارۍ پروسو کې د ML پلي کولو، د ML سیالۍ او د Sberbank DS پلیټ فارم وړتیاو په اړه خبرې وکړې. په ML ټولنه کې د 2019 اصلي رجحانات څه وو؟ د کنفرانس ګډونوال وايي: и .
سږکال، NeurIPS له 1400 څخه ډیر کاغذونه ومنل — الګوریتمونه، نوي ماډلونه، او نوي ډیټا ته نوي غوښتنلیکونه.
محتويات:
- رجحانات
-
- د ماډل تفسیر
- څو اړخیزه
- دليل
- RL
- GAN
- بنسټیزې بلنې خبرې
-
- "ټولنیز استخبارات"، بلیس اګویرا او آرکاس (ګوګل)
- د اعتباري معلوماتو ساینس، بن یو (برکلي)
- "د ماشین زده کړې سره د انساني چلند ماډلینګ: فرصتونه او ننګونې"، نوریا ایم اولیور، البرټ علي صلاح
- "له سیسټم 1 څخه سیسټم 2 ته ژوره زده کړه"، یوشوا بینجیو
رجحانات 2019
1. د ماډل تفسیر او د ML نوی میتودولوژي
د کنفرانس اصلي موضوع تفسیر او شواهد دي چې ولې موږ ځینې پایلې ترلاسه کوو. یو څوک کولی شي د "تور بکس" تفسیر د فلسفي اهمیت په اړه د اوږدې مودې لپاره خبرې وکړي، مګر په دې برخه کې ډیر اصلي میتودونه او تخنیکي پرمختګونه شتون درلود.
د ماډلونو د نقل کولو میتودولوژي او له دوی څخه د پوهې استخراج د ساینس لپاره یوه نوې وسیله ده. ماډل کولی شي د نوي پوهې ترلاسه کولو او ازموینې لپاره د یوې وسیلې په توګه کار وکړي، او د ماډل د وړاندې کولو، روزنې او پلي کولو هر پړاو باید د بیا تولید وړ وي.
د خپرونو د پام وړ برخه د موډلونو او وسیلو جوړولو ته نه، بلکې د امنیت، شفافیت او د پایلو د تصدیق کولو ستونزو ته ځانګړې شوې ده. په ځانګړې توګه، په ماډل باندې د بریدونو په اړه یو جلا جریان ښکاره شوی (مخالف بریدونه)، او د روزنې دواړو بریدونو او په غوښتنلیک باندې د بریدونو لپاره اختیارونه په پام کې نیول شوي.
مقالې:
- - د ماډل تصدیق کولو میتودولوژي په اړه یو پروګراماتي مقاله. د ماډلونو تشریح کولو لپاره د عصري وسیلو یوه عمومي کتنه شامله ده، په ځانګړې توګه، د لینر ماډلونو سره د عصبي شبکې "کشولو" له لارې د پاملرنې کارول او د ځانګړتیا اهمیت ترلاسه کول.
- چاوفان چن، آسکر لي، ډینیل تاو، الینا بارنیټ، سنتیا رودین، جوناتن کی سو.
- سارا هوکر، دومیترو ایران، پیټر جان کنډرمینز، بین کیم
- الکساندر موټ، ډینیل زوران، مایک کرزانووسکي، ډان ویرسټرا، ډینیلو جیمینز ریزینډ
- ژیاو لی، یو وانګ، سمنتا باسو، کارل کمبیر، بن یو
- جیمین یو، مینینګ چو، تایبم کیم، یو کانګ
- اډوارډ راف
ExBert.net د متن پروسس کولو دندو لپاره ماډل تشریح ښیې
2. څو اړخیزه
د باور وړ تصدیق کولو او د پوهې تصدیق کولو او پراخولو لپاره میکانیزمونو رامینځته کولو لپاره، موږ په اړونده برخو کې متخصصینو ته اړتیا لرو چې په ورته وخت کې په ML او د موضوع ساحه (طب، ژبپوهنه، نیوروبیولوژي، تعلیم، او نور) کې وړتیا ولري. دا په ځانګړې توګه د پام وړ ارزښت لري چې په عصبي علومو او ادراکي علومو کې د کارونو او ویناوو خورا مهم شتون - د متخصصینو سره یوځای کول او د نظرونو پور اخیستل شتون لري.
د دې موافقت سربیره، د مختلفو سرچینو څخه د معلوماتو په ګډ پروسس کې څو اړخیزه بڼه راڅرګندیږي: متن او عکسونه، متن او لوبې، د ګراف ډیټابیس + متن او عکسونه.
مقالې:
- عصبي ساینس + ایم ایل -
- VisualQA -
- RL + NLP -
دوه ماډلونه - ستراتیژیک او اجرایوي - د RL او NLP پر بنسټ آنلاین ستراتیژي لوبوي
3. استدلال کول
د مصنوعي استخباراتو پیاوړتیا د ځان زده کړې سیسټمونو، "شعور"، استدلال او استدلال په لور یو حرکت دی. په ځانګړې توګه، د علت اټکل او د عام احساس استدلال وده کوي. ځینې راپورونه د میټا زده کړې (د زده کړې څرنګوالي په اړه) او د لومړي او دوهم ترتیب منطق سره د DL ټیکنالوژیو ترکیب ته وقف شوي - د مصنوعي عمومي استخباراتو (AGI) اصطلاح د ویناوالو په وینا کې یو عام اصطلاح کیږي.
مقالې:
- ویجیانګ یو، جینګ ون ژو، وی هاو یو، ژیاودان لیانګ، نونګ شیاو
- وانګ ژو دای، کیولنګ سو، یانګ یو، ژی هو ژو
- ویشک بیل، برینډن جوبا
- انتون باختین، لارنس وان دیر ماتین، جسټین جانسن، لورا ګستافسن، راس ګیرشیک
- دنیش ګارګ، شاجیت اکبال، سنتوش K. سریواستو، هریت ویشوکارما، هیما کارنام، ایل وینکاتا سبرامنیم
4. د تقویت زده کړه
ډیری کار د RL - DOTA2، Starcraft، د کمپیوټر لید، NLP، ګراف ډیټابیسونو سره د معمارۍ ترکیب کولو دودیزو ساحو پراختیا ته دوام ورکوي.
د کنفرانس یوه جلا ورځ د RL ورکشاپ ته وقف شوې وه، په کوم کې چې د مثبت اداکار نقاد ماډل جوړښت وړاندې شو، د ټولو پخوانیو څخه غوره، په ځانګړې توګه د نرم اداکار نقاد.
مقالې:
- ; کامل سیوزیک، کوان وونګ، رابرټ لوفټین، کټجا هوفمن
- ; Yasuhiro Fujita (غوره شبکې، Inc.)*؛ Toshiki Kataoka (غوره شبکې، Inc.)؛ پرابات ناګاراجان (غوره شبکې)؛ تکاهیرو ایشیکاوا (د ټوکیو پوهنتون) [بهرنی پی ډی ایف لینک].
- ; دانیجر هافنر (ګوګل)*؛ تیموتی لیلیکراپ (ژور ذهن)؛ جیمي با (د ټورنټو پوهنتون)؛ محمد نوروزی (ګوګل دماغ)
د سټار کرافټ لوبغاړي د الفاسټار ماډل سره جګړه کوي (ډیپ مائنډ)
5.GAN
تولیدي شبکې لاهم د پام وړ دي: ډیری کارونه د ریاضیکي شواهدو لپاره وینیلا GANs کاروي، او په نوي، غیر معمولي طریقو کې یې هم پلي کوي (ګراف تولیدي ماډلونه، د لړۍ سره کار کول، په ډیټا کې د لاملونو او اغیزو اړیکو لپاره غوښتنلیک، او نور).
مقالې:
- سنګ وو مو، چیهون کیم، سونګ وونګ کیم، مینسو چو، جین وو شین
- ډان ژانګ، انا خوروا
- لی سو، ماریا سکولریدو، الفریدو کوستا-انفانت، کلیان ویراماچنی
ځکه چې نور کارونه ومنل شول لاندې به موږ د ډیرو مهمو ویناوو په اړه خبرې وکړو.
بلنه شوې خبرې
"ټولنیز استخبارات"، بلیس اګویرا او آرکاس (ګوګل)
خبرې د ماشین زده کړې عمومي میتودولوژي او همدا اوس د صنعت بدلولو امکانات باندې تمرکز کوي - موږ له کومو لارو سره مخ یو؟ دماغ او تکامل څنګه کار کوي، او ولې موږ د هغه څه څخه دومره لږ کار اخلو چې موږ دمخه د طبیعي سیسټمونو د پراختیا په اړه پوهیږو؟
د ML صنعتي پراختیا په پراخه کچه د ګوګل د پراختیا د مرحلې سره سمون لري، کوم چې په کال کې د NeurIPS په اړه خپلې څیړنې خپروي:
- 1997 - د لټون اسانتیاو پیل کول، لومړی سرورونه، کوچني کمپیوټري ځواک
- 2010 - جیف ډین د ګوګل دماغ پروژه پیل کړه، په پیل کې د عصبي شبکو بوم
- 2015 - د عصبي شبکو صنعتي پلي کول ، په مستقیم ډول په محلي وسیله ګړندي مخ پیژندنه ، د ټیټ کچې پروسیسرونه چې د ټینسر کمپیوټري لپاره جوړ شوي - TPU. ګوګل کورل ai په لاره واچوي - د راسبیري پای انالوګ ، په تجربوي تاسیساتو کې د عصبي شبکو معرفي کولو لپاره یو کوچنی کمپیوټر
- 2017 - ګوګل د غیر متمرکز روزنې رامینځته کول پیل کوي او د مختلف وسیلو څخه د عصبي شبکې روزنې پایلې په یو ماډل کې ترکیب کوي - په Android کې
نن ورځ، ټول صنعت د معلوماتو امنیت، راټولولو، او په محلي وسیلو کې د زده کړې پایلو نقل کولو ته وقف شوی دی.
- د ML یو لارښود په کوم کې چې انفرادي ماډلونه له یو بل څخه په خپلواکه توګه زده کوي او بیا په یو واحد ماډل کې یوځای کیږي (پرته له دې چې د سرچینې ډیټا مرکزي کړي) ، د نادر پیښو ، ګډوډي ، شخصي کولو او نورو لپاره تنظیم شوي. ټول اندروید وسایل په اصل کې د ګوګل لپاره یو واحد کمپیوټري سوپر کمپیوټر دي.
د فدرالي زده کړې پراساس تولیدي ماډلونه د ګوګل په وینا د راتلونکي راتلونکي لور ته ژمن دي، کوم چې "د ودې په لومړیو مرحلو کې دی." GANs، د لیکونکي په وینا، د دې وړتیا لري چې د ژوندیو موجوداتو نفوس او د فکر کولو الګوریتمونو ډله ایز چلند بیا تولید زده کړي.
د دوه ساده GAN جوړښتونو مثال په کارولو سره ، دا ښودل شوي چې په دوی کې د اصلاح کولو لارې لټون په دایره کې تیریږي ، پدې معنی چې اصلاح کول داسې نه پیښیږي. په ورته وخت کې، دا ماډلونه د هغو تجربو په سمبالولو کې خورا بریالي دي چې بیولوژیستان د باکتریا نفوس ترسره کوي، دوی مجبوروي چې د خوړو په لټه کې د چلند نوې ستراتیژۍ زده کړي. موږ کولی شو دې پایلې ته ورسیږو چې ژوند د اصلاح کولو فعالیت په پرتله مختلف کار کوي.
د GAN اصلاح کول
ټول هغه څه چې موږ یې اوس د ماشین زده کړې په چوکاټ کې کوو هغه تنګ او خورا رسمي دندې دي، پداسې حال کې چې دا رسمیتونه ښه عمومي نه دي او د نیوروفیسولوژي او بیولوژي په برخو کې زموږ د موضوع پوهې سره مطابقت نلري.
هغه څه چې واقعیا په نږدې راتلونکي کې د نیوروفیسولوژي له ساحې څخه د پور اخیستلو ارزښت لري د نوي نیورون جوړښتونه او د تیروتنو د بیرته خپریدو میکانیزمونو یو څه بیاکتنه ده.
د انسان مغز پخپله د عصبي شبکې په څیر نه زده کوي:
- هغه تصادفي لومړني معلومات نلري، پشمول هغه چې د حواسو او ماشومتوب له لارې ایښودل شوي
- هغه د فطری پرمختګ ارثي لارښوونې لري (له ماشوم څخه د ژبې زده کولو لیوالتیا، په سمه توګه تګ)
د یو فرد مغز روزنه د ټیټې کچې دنده ده؛ شاید موږ باید د ګړندۍ بدلیدونکي اشخاصو "استعمار" په پام کې ونیسو چې یو بل ته پوهه لیږدوي ترڅو د ډله ایز تکامل میکانیزمونه بیا تولید کړي.
هغه څه چې موږ کولی شو اوس په ML الګوریتم کې اختیار کړو:
- د حجرو نسب ماډلونه پلي کړئ چې د نفوس زده کړه تضمینوي، مګر د فرد لنډ ژوند ("انفرادي دماغ")
- د لږ شمیر مثالونو په کارولو سره لږ شاټ زده کړه
- ډیر پیچلي نیورون جوړښتونه، د فعالیت فعالیت یو څه توپیر لري
- راتلونکو نسلونو ته د "جینوم" لیږدول - د بیک پروپاګیشن الګوریتم
- یوځل چې موږ نیوروفیسولوژي او عصبي شبکې سره وصل کړو، موږ به زده کړو چې څنګه د ډیری برخو څخه څو اړخیز دماغ جوړ کړو.
له دې نظره، د SOTA حلونو تمرین زیانمنونکی دی او باید د ګډو دندو (معیارونو) د پراختیا لپاره بیاکتنه وشي.
د اعتباري معلوماتو ساینس، بن یو (برکلي)
راپور د ماشین زده کړې ماډلونو تشریح کولو ستونزې او د دوی مستقیم ازموینې او تصدیق میتودولوژی ته وقف شوی دی. هر روزل شوی ML ماډل د پوهې سرچینې په توګه پیژندل کیدی شي چې له هغې څخه استخراج ته اړتیا لري.
په ډیری برخو کې ، په ځانګړي توګه په طب کې ، د دې پټې پوهې له را ایستلو او د ماډل پایلو تشریح کولو پرته د ماډل کارول ناشونې دي - که نه نو موږ به ډاډه نه یو چې پایلې به مستحکم ، غیر تصادفي ، باوري وي او نه به وژني. ناروغ د کاري میتودولوژي ټوله لار د ژورې زده کړې تمثیل کې وده کوي او د دې حدونو څخه بهر ځي - veridical data science. دا څه شی دی؟
موږ غواړو د ساینسي خپرونو داسې کیفیت ترلاسه کړو او د ماډلونو بیا تولید وړتیا ترلاسه کړو چې دا دي:
- د وړاندوینې وړ
- د حساب وړ
- باثباته
دا درې اصول د نوي میتودولوژي اساس جوړوي. د ML ماډلونه څنګه د دې معیارونو په مقابل کې معاینه کیدی شي؟ ترټولو اسانه لاره د سمدستي تشریح وړ ماډلونو رامینځته کول دي (رجعتونه ، د پریکړې ونې). په هرصورت، موږ هم غواړو چې د ژورې زده کړې سمدستي ګټې ترلاسه کړو.
د ستونزې سره د کار کولو څو شته لارې:
- ماډل تشریح کړئ؛
- د پاملرنې پر بنسټ میتودونه وکاروئ؛
- د روزنې په وخت کې د الګوریتمونو مجموعه وکاروئ، او ډاډ ترلاسه کړئ چې د خطي تشریح وړ ماډلونه د عصبي شبکې په څیر ورته ځوابونو وړاندوینه کول زده کوي، د خطي ماډل څخه ځانګړتیاوې تشریح کوي؛
- د روزنې معلومات بدلول او زیاتول. پدې کې شور، مداخله، او د معلوماتو زیاتوالی شامل دي؛
- هر هغه میتودونه چې د دې ډاډ ترلاسه کولو کې مرسته کوي چې د ماډل پایلې تصادفي ندي او په کوچني ناغوښتل شوي لاسوهنه (مخالف بریدونه) پورې اړه نلري؛
- د حقیقت وروسته ماډل تشریح کړئ، د روزنې وروسته؛
- د مطالعې ځانګړتیا وزن په مختلفو لارو؛
- د ټولو فرضیو احتمالات مطالعه کړئ، د ټولګي ویش.
مخالف برید
د ماډلینګ تېروتنې د هرچا لپاره ګران دي: یو مهم مثال یې د ریین هارټ او روګوف کار دی."د ډیری اروپایی هیوادونو اقتصادي پالیسیو اغیزه وکړه او دوی یې اړ کړل چې د سپما پالیسي تعقیب کړي، مګر د معلوماتو بیاکتنې او د دوی پروسس کولو کلونو وروسته برعکس پایله وښودله!
هر ML ټیکنالوژي د پلي کیدو څخه پلي کیدو پورې د خپل ژوند دوره لري. د نوي میتودولوژي هدف دا دی چې د ماډل د ژوند په هره مرحله کې درې اساسي اصول وڅیړئ.
لنډیز:
- ډیری پروژې رامینځته کیږي چې د ML ماډل سره به د باور وړ وي. دا، د بیلګې په توګه، ژورتیا (د دې لپاره لینک: );
- د میتودولوژي د لا پراختیا لپاره، دا اړینه ده چې د ML په ساحه کې د خپرونو کیفیت د پام وړ ښه کړي؛
- د ماشین زده کړه په تخنیکي او بشري برخو کې د څو اړخیزو زده کړو او تخصص لرونکي مشرانو ته اړتیا لري.
"د ماشین زده کړې سره د انساني چلند ماډلینګ: فرصتونه او ننګونې" نوریا ایم اولیور، البرټ علي صلاح
لیکچر د انساني چلند ماډل کولو لپاره وقف شوی، د هغې تخنیکي بنسټونه او د غوښتنلیک امکانات.
د انساني چلند ماډلینګ په لاندې برخو ویشل کیدی شي:
- انفرادي چلند
- د خلکو د یوې کوچنۍ ډلې چلند
- ډله ایز چلند
د دې ډولونو هر یو د ML په کارولو سره ماډل کیدی شي ، مګر د بشپړ مختلف معلوماتو او ځانګړتیاو سره. هر ډول خپل اخالقي مسلې هم لري چې هره پروژه یې پرمخ ځي:
- انفرادي چلند - د هویت غلا، ژور جعلي؛
- د خلکو د ډلو چلند - د نوم نه خلاصول، د حرکتونو په اړه د معلوماتو ترلاسه کول، تلیفونونه، او داسې نور؛
انفرادي چلند
ډیری د کمپیوټر لید موضوع پورې اړه لري - د انساني احساساتو او عکس العملونو پیژندل. شاید یوازې په شرایطو کې، په وخت کې، یا د هغه د احساساتو د خپل بدلون د نسبي پیمانه سره. سلایډ د مونا لیزا د احساساتو پیژندنه ښیې چې د مدیترانې میرمنو احساساتي سپیکٹرم څخه د شرایطو په کارولو سره. پایله: د خوښۍ موسکا، مګر د توهین او کرکې سره. دلیل ډیری احتمال د "بې طرفه" احساساتو تعریف کولو تخنیکي لاره کې دی.
د خلکو د یوې کوچنۍ ډلې چلند
تر دې دمه ترټولو خراب ماډل د ناکافي معلوماتو له امله دی. د مثال په توګه، د 2018 - 2019 کارونه ښودل شوي. په لسګونو خلکو X په لسګونو ویډیوګانې (cf. 100k++ عکس ډیټاسیټونه). د دې دندې غوره ماډل کولو لپاره، ملټي موډل معلوماتو ته اړتیا ده، په غوره توګه د سینسرونو څخه د بدن الټیمیټر، ترمامیتر، مایکروفون ریکارډ، او داسې نور.
ډله ایز چلند
ترټولو پرمختللې سیمه، ځکه چې پیرودونکي ملګري ملتونه او ډیری ایالتونه دي. د بهرنۍ څارنې کیمرې، د تلیفون له برجونو څخه ډاټا - بلینګ، SMS، تلیفونونه، د دولت د سرحدونو تر منځ د حرکت په اړه معلومات - دا ټول د خلکو د حرکت او ټولنیز بې ثباتۍ خورا معتبر انځور وړاندې کوي. د ټیکنالوژۍ احتمالي غوښتنلیکونه: د بیړني حالت په جریان کې د ژغورنې عملیات، مرستې او په وخت سره د خلکو ایستل. کارول شوي ماډلونه په عمده توګه لاهم په خراب ډول تشریح شوي - دا مختلف LSTMs او قانع کونکي شبکې دي. دلته یوه لنډه تبصره وه چې ملګري ملتونه د نوي قانون لپاره لابی کوي چې اروپایی سوداګرۍ به دې ته اړ کړي چې د هرې څیړنې لپاره اړین نامعلوم معلومات شریک کړي.
"له سیسټم 1 څخه سیسټم 2 ته ژوره زده کړه"، یوشوا بینجیو
د جوشوا بینجیو په لیکچر کې، ژوره زده کړه د هدف ترتیب په کچه د نیورو ساینس سره مل کیږي.
بنجیو د نوبل جایزې ګټونکي ډینیل کاهمن د میتودولوژي له مخې د ستونزو دوه اصلي ډولونه پیژني (کتاب "")
ډول 1 - سیسټم 1، بې شعوره کړنې چې موږ یې "په اتوماتيک ډول" کوو (لرغونی دماغ): په پیژندل شوي ځایونو کې د موټر چلول، چلول، د مخونو پیژندل.
ټایپ 2 - سیسټم 2، شعوري کړنې (دماغي کورټیکس)، د هدف ترتیب، تحلیل، فکر، جامع دندې.
AI تر دې دمه یوازې د لومړي ډول په دندو کې کافي لوړوالی ته رسیدلی ، پداسې حال کې چې زموږ دنده دا ده چې دا دوهم ته راوړو ، د څو ډیسپلینري عملیاتو ترسره کولو او د منطق او لوړې کچې ادراکي مهارتونو سره کار کولو ښوونه.
دې هدف ته د رسیدو لپاره دا وړاندیز کیږي:
- په NLP دندو کې، پاملرنه د موډل کولو فکر کولو لپاره د کلیدي میکانیزم په توګه وکاروئ
- د غوره ماډل ځانګړتیاو لپاره د میټا زده کړې او نمایندګي زده کړې وکاروئ چې شعور او د دوی ځایی کولو اغیزه کوي - او د دوی پر بنسټ د لوړې کچې مفکورو سره کار کولو ته ځي.
د یوې پایلې پرځای، دلته یو بلنه شوی خبرې دي: بنګیو یو له ډیرو ساینس پوهانو څخه دی چې هڅه کوي د ML ساحه پراخه کړي د اصلاح کولو ستونزو، SOTA او نوي جوړښتونو هاخوا.
دا پوښتنه خلاصه ده چې د شعور د ستونزو ترکیب، په فکر، نیوروبیولوژي او الګوریتمونو باندې د ژبې نفوذ تر کومه حده هغه څه دي چې موږ ته په راتلونکي کې انتظار کوي او موږ ته اجازه راکوي چې ماشینونو ته لاړ شو چې د خلکو په څیر "فکر" کوي.
ساپی!
سرچینه: www.habr.com