ప్రోహోస్టర్ > బ్లాగ్ > ఇంటర్నెట్ వార్తలు > NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి

NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి

న్యూరోఐపిఎస్ (న్యూరల్ ఇన్ఫర్మేషన్ ప్రాసెసింగ్ సిస్టమ్స్) అనేది మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌పై ప్రపంచంలోనే అతిపెద్ద సమావేశం మరియు లోతైన అభ్యాస ప్రపంచంలో ప్రధాన కార్యక్రమం.

మేము, DS ఇంజనీర్లు, కొత్త దశాబ్దంలో జీవశాస్త్రం, భాషాశాస్త్రం మరియు మనస్తత్వశాస్త్రంలో కూడా ప్రావీణ్యం పొందగలమా? మేము మా సమీక్షలో మీకు చెప్తాము.

NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి

ఈ సంవత్సరం కెనడాలోని వాంకోవర్‌లో 13500 దేశాల నుండి 80 కంటే ఎక్కువ మంది ప్రజలు సమావేశమయ్యారు. సమావేశంలో Sberbank రష్యాకు ప్రాతినిధ్యం వహించడం ఇది మొదటి సంవత్సరం కాదు - DS బృందం బ్యాంకింగ్ ప్రక్రియలలో ML అమలు గురించి, ML పోటీ గురించి మరియు Sberbank DS ప్లాట్‌ఫారమ్ యొక్క సామర్థ్యాల గురించి మాట్లాడింది. ML సంఘంలో 2019 యొక్క ప్రధాన ట్రెండ్‌లు ఏమిటి? సదస్సులో పాల్గొన్నవారు ఇలా అన్నారు: ఆండ్రీ చెర్టోక్ и టాట్యానా షావ్రినా.

ఈ సంవత్సరం, NeurIPS 1400 కంటే ఎక్కువ పేపర్‌లను ఆమోదించింది-అల్గారిథమ్‌లు, కొత్త మోడల్‌లు మరియు కొత్త డేటాకు కొత్త అప్లికేషన్‌లు. అన్ని మెటీరియల్‌లకు లింక్ చేయండి

విషయ సూచిక:

  • పోకడలు
    • మోడల్ వివరణ
    • బహువిధములు
    • రీజనింగ్
    • RL
    • GAN
  • ప్రాథమిక ఆహ్వానించబడిన చర్చలు
    • “సోషల్ ఇంటెలిజెన్స్”, బ్లేజ్ అగ్యురా వై ఆర్కాస్ (గూగుల్)
    • “వెరిడికల్ డేటా సైన్స్”, బిన్ యు (బర్కిలీ)
    • “మెషిన్ లెర్నింగ్‌తో హ్యూమన్ బిహేవియర్ మోడలింగ్: అవకాశాలు మరియు సవాళ్లు”, నూరియా ఎమ్ ఒలివర్, ఆల్బర్ట్ అలీ సలాహ్
    • “సిస్టమ్ 1 నుండి సిస్టమ్ 2 వరకు డీప్ లెర్నింగ్”, యోషువా బెంగియో

ట్రెండ్‌లు 2019

1. మోడల్ ఇంటర్‌ప్రెటబిలిటీ మరియు కొత్త ML మెథడాలజీ

మేము నిర్దిష్ట ఫలితాలను ఎందుకు పొందుతాము అనేదానికి వివరణ మరియు సాక్ష్యం సదస్సు యొక్క ప్రధాన అంశం. "బ్లాక్ బాక్స్" వివరణ యొక్క తాత్విక ప్రాముఖ్యత గురించి చాలా కాలం పాటు మాట్లాడవచ్చు, కానీ ఈ ప్రాంతంలో మరింత నిజమైన పద్ధతులు మరియు సాంకేతిక పరిణామాలు ఉన్నాయి.

నమూనాలను పునరావృతం చేయడానికి మరియు వాటి నుండి జ్ఞానాన్ని వెలికితీసే పద్దతి సైన్స్ కోసం ఒక కొత్త టూల్‌కిట్. మోడల్‌లు కొత్త జ్ఞానాన్ని పొందడం మరియు దానిని పరీక్షించడం కోసం ఒక సాధనంగా ఉపయోగపడతాయి మరియు మోడల్ యొక్క ప్రిప్రాసెసింగ్, శిక్షణ మరియు అప్లికేషన్ యొక్క ప్రతి దశ తప్పనిసరిగా పునరుత్పత్తి చేయబడాలి.
ప్రచురణలలో గణనీయమైన భాగం నమూనాలు మరియు సాధనాల నిర్మాణానికి కాదు, భద్రత, పారదర్శకత మరియు ఫలితాల ధృవీకరణను నిర్ధారించే సమస్యలకు అంకితం చేయబడింది. ప్రత్యేకించి, మోడల్‌పై దాడులు (ప్రత్యర్థి దాడులు) గురించి ప్రత్యేక స్ట్రీమ్ కనిపించింది మరియు శిక్షణపై దాడులు మరియు అప్లికేషన్‌పై దాడులు రెండింటికీ ఎంపికలు పరిగణించబడతాయి.

వ్యాసాలు:

NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి
ExBert.net టెక్స్ట్ ప్రాసెసింగ్ టాస్క్‌ల కోసం మోడల్ ఇంటర్‌ప్రెటేషన్‌ని చూపుతుంది

2. మల్టిడిసిప్లినారిటీ

విశ్వసనీయ ధృవీకరణను నిర్ధారించడానికి మరియు పరిజ్ఞానాన్ని ధృవీకరించడానికి మరియు విస్తరించడానికి మెకానిజమ్‌లను అభివృద్ధి చేయడానికి, ML మరియు సబ్జెక్ట్ ఏరియాలో (ఔషధం, భాషాశాస్త్రం, న్యూరోబయాలజీ, విద్య మొదలైనవి) ఏకకాలంలో సామర్థ్యాలను కలిగి ఉన్న సంబంధిత రంగాలలో మాకు నిపుణులు అవసరం. న్యూరోసైన్స్ మరియు కాగ్నిటివ్ సైన్సెస్‌లో రచనలు మరియు ప్రసంగాల యొక్క మరింత ముఖ్యమైన ఉనికిని గమనించడం చాలా ముఖ్యం - నిపుణుల సామరస్యం మరియు ఆలోచనల రుణం ఉంది.

ఈ సామరస్యంతో పాటు, వివిధ మూలాల నుండి సమాచారాన్ని ఉమ్మడి ప్రాసెసింగ్‌లో బహుళ క్రమశిక్షణ ఏర్పడుతోంది: టెక్స్ట్ మరియు ఫోటోలు, టెక్స్ట్ మరియు గేమ్‌లు, గ్రాఫ్ డేటాబేస్‌లు + టెక్స్ట్ మరియు ఫోటోలు.

వ్యాసాలు:

NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి
రెండు నమూనాలు - స్ట్రాటజిస్ట్ మరియు ఎగ్జిక్యూటివ్ - RL మరియు NLP ఆధారంగా ఆన్‌లైన్ వ్యూహాన్ని ప్లే చేస్తాయి

3. రీజనింగ్

కృత్రిమ మేధస్సును బలోపేతం చేయడం అనేది స్వీయ-అభ్యాస వ్యవస్థలు, "చేతన", తార్కికం మరియు తార్కికం వైపు ఒక ఉద్యమం. ముఖ్యంగా, కారణ అనుమితి మరియు కామన్సెన్స్ రీజనింగ్ అభివృద్ధి చెందుతాయి. కొన్ని నివేదికలు మెటా-లెర్నింగ్ (నేర్చుకోవడం ఎలా నేర్చుకోవాలి అనే దాని గురించి) మరియు 1వ మరియు 2వ ఆర్డర్ లాజిక్‌తో కూడిన DL టెక్నాలజీల కలయికకు అంకితం చేయబడ్డాయి - ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్ (AGI) అనే పదం స్పీకర్ల ప్రసంగాలలో సాధారణ పదంగా మారుతోంది.

వ్యాసాలు:

4. రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్

RL - DOTA2, స్టార్‌క్రాఫ్ట్, ఆర్కిటెక్చర్‌లను కంప్యూటర్ విజన్, NLP, గ్రాఫ్ డేటాబేస్‌లతో కలపడం వంటి సంప్రదాయ ప్రాంతాలను అభివృద్ధి చేయడంలో చాలా వరకు పని కొనసాగుతోంది.

కాన్ఫరెన్స్ యొక్క ప్రత్యేక రోజు RL వర్క్‌షాప్‌కు కేటాయించబడింది, దీనిలో ఆప్టిమిస్టిక్ యాక్టర్ క్రిటిక్ మోడల్ ఆర్కిటెక్చర్ ప్రదర్శించబడింది, ఇది మునుపటి అన్నింటి కంటే మెరుగైనది, ముఖ్యంగా సాఫ్ట్ యాక్టర్ క్రిటిక్.

వ్యాసాలు:

NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి
స్టార్‌క్రాఫ్ట్ ప్లేయర్‌లు ఆల్ఫాస్టార్ మోడల్‌తో పోరాడుతున్నారు (డీప్‌మైండ్)

5.GAN

ఉత్పాదక నెట్‌వర్క్‌లు ఇప్పటికీ చర్చనీయాంశంగా ఉన్నాయి: అనేక రచనలు గణిత శాస్త్ర రుజువుల కోసం వెనిలా GANలను ఉపయోగిస్తాయి మరియు వాటిని కొత్త, అసాధారణ మార్గాల్లో కూడా వర్తింపజేస్తాయి (గ్రాఫ్ ఉత్పాదక నమూనాలు, సిరీస్‌తో పని చేయడం, డేటాలో సంబంధాన్ని కలిగించే మరియు ప్రభావం చూపే అప్లికేషన్ మొదలైనవి).

వ్యాసాలు:

ఎక్కువ పని అంగీకరించారు కాబట్టి 1400 క్రింద మేము చాలా ముఖ్యమైన ప్రసంగాల గురించి మాట్లాడుతాము.

ఆహ్వానించబడిన చర్చలు

“సోషల్ ఇంటెలిజెన్స్”, బ్లేజ్ అగ్యురా వై ఆర్కాస్ (గూగుల్)

లింక్
స్లయిడ్‌లు మరియు వీడియోలు
చర్చ మెషిన్ లెర్నింగ్ యొక్క సాధారణ పద్దతిపై దృష్టి పెడుతుంది మరియు ప్రస్తుతం పరిశ్రమను మార్చే అవకాశాలపై దృష్టి పెడుతుంది - మనం ఏ కూడలిని ఎదుర్కొంటున్నాము? మెదడు మరియు పరిణామం ఎలా పని చేస్తాయి మరియు సహజ వ్యవస్థల అభివృద్ధి గురించి మనకు ఇప్పటికే తెలిసిన వాటిని మనం ఎందుకు చాలా తక్కువగా ఉపయోగించుకుంటాము?

ML యొక్క పారిశ్రామిక అభివృద్ధి చాలావరకు Google అభివృద్ధి యొక్క మైలురాళ్లతో సమానంగా ఉంటుంది, ఇది సంవత్సరానికి NeurIPS పై తన పరిశోధనను ప్రచురిస్తుంది:

  • 1997 – శోధన సౌకర్యాల ప్రారంభం, మొదటి సర్వర్లు, చిన్న కంప్యూటింగ్ శక్తి
  • 2010 - జెఫ్ డీన్ గూగుల్ బ్రెయిన్ ప్రాజెక్ట్‌ను ప్రారంభించాడు, ఇది ప్రారంభంలోనే న్యూరల్ నెట్‌వర్క్‌ల విజృంభణ
  • 2015 – న్యూరల్ నెట్‌వర్క్‌ల పారిశ్రామిక అమలు, స్థానిక పరికరంలో నేరుగా ఫాస్ట్ ఫేస్ రికగ్నిషన్, టెన్సర్ కంప్యూటింగ్ కోసం రూపొందించబడిన తక్కువ-స్థాయి ప్రాసెసర్‌లు - TPU. ప్రయోగాత్మక ఇన్‌స్టాలేషన్‌లలో న్యూరల్ నెట్‌వర్క్‌లను ప్రవేశపెట్టడానికి ఒక మినీ-కంప్యూటర్ అయిన కోరల్ AI - రాస్ప్‌బెర్రీ పై యొక్క అనలాగ్‌ను Google ప్రారంభించింది.
  • 2017 – Google వికేంద్రీకృత శిక్షణను అభివృద్ధి చేయడం మరియు వివిధ పరికరాల నుండి న్యూరల్ నెట్‌వర్క్ శిక్షణ ఫలితాలను ఒక మోడల్‌గా కలపడం ప్రారంభించింది – Androidలో

ఈ రోజు, మొత్తం పరిశ్రమ డేటా భద్రత, అగ్రిగేషన్ మరియు స్థానిక పరికరాలలో అభ్యాస ఫలితాల ప్రతిరూపణకు అంకితం చేయబడింది.

ఫెడరేటెడ్ లెర్నింగ్ - ML యొక్క దిశ, దీనిలో వ్యక్తిగత నమూనాలు ఒకదానికొకటి స్వతంత్రంగా నేర్చుకుంటాయి మరియు తర్వాత ఒకే మోడల్‌గా (సోర్స్ డేటాను కేంద్రీకరించకుండా) కలపబడతాయి, అరుదైన సంఘటనలు, క్రమరాహిత్యాలు, వ్యక్తిగతీకరణ మొదలైన వాటి కోసం సర్దుబాటు చేయబడతాయి. అన్ని Android పరికరాలు తప్పనిసరిగా Google కోసం ఒకే కంప్యూటింగ్ సూపర్ కంప్యూటర్.

ఫెడరేటెడ్ లెర్నింగ్‌పై ఆధారపడిన ఉత్పాదక నమూనాలు Google ప్రకారం, "ఘాతాంక వృద్ధి యొక్క ప్రారంభ దశల్లో" ఉన్న ఆశాజనక భవిష్యత్తు దిశ. GAN లు, లెక్చరర్ ప్రకారం, జీవుల జనాభా మరియు ఆలోచనా అల్గోరిథంల యొక్క సామూహిక ప్రవర్తనను పునరుత్పత్తి చేయడానికి నేర్చుకోగలవు.

రెండు సాధారణ GAN ఆర్కిటెక్చర్ల ఉదాహరణను ఉపయోగించి, వాటిలో ఆప్టిమైజేషన్ మార్గం కోసం శోధన సర్కిల్‌లో తిరుగుతుందని చూపబడింది, అంటే ఆప్టిమైజేషన్ జరగదు. అదే సమయంలో, జీవశాస్త్రవేత్తలు బ్యాక్టీరియా జనాభాపై చేసే ప్రయోగాలను అనుకరించడంలో ఈ నమూనాలు చాలా విజయవంతమయ్యాయి, ఆహారం కోసం కొత్త ప్రవర్తనా వ్యూహాలను నేర్చుకోవలసి వస్తుంది. జీవితం ఆప్టిమైజేషన్ ఫంక్షన్ కంటే భిన్నంగా పనిచేస్తుందని మేము నిర్ధారించగలము.

NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి
వాకింగ్ GAN ఆప్టిమైజేషన్

ఇప్పుడు మనం మెషిన్ లెర్నింగ్ ఫ్రేమ్‌వర్క్‌లో చేసేవన్నీ ఇరుకైన మరియు అత్యంత అధికారికమైన పనులు, అయితే ఈ ఫార్మాలిజమ్‌లు బాగా సాధారణీకరించబడవు మరియు న్యూరోఫిజియాలజీ మరియు బయాలజీ వంటి రంగాలలో మన విషయ పరిజ్ఞానానికి అనుగుణంగా లేవు.

సమీప భవిష్యత్తులో న్యూరోఫిజియాలజీ రంగం నుండి నిజంగా రుణం తీసుకోవడం విలువైనది కొత్త న్యూరాన్ నిర్మాణాలు మరియు లోపాల బ్యాక్‌ప్రొపగేషన్ యొక్క మెకానిజమ్‌ల యొక్క స్వల్ప పునర్విమర్శ.

మానవ మెదడు నాడీ నెట్‌వర్క్ లాగా నేర్చుకోదు:

  • అతనికి యాదృచ్ఛిక ప్రాథమిక ఇన్‌పుట్‌లు లేవు, ఇంద్రియాల ద్వారా మరియు బాల్యంలో నిర్దేశించిన వాటితో సహా
  • అతను సహజమైన అభివృద్ధి యొక్క స్వాభావిక దిశలను కలిగి ఉన్నాడు (శిశువు నుండి భాష నేర్చుకోవాలనే కోరిక, నిటారుగా నడవడం)

ఒక వ్యక్తి మెదడుకు శిక్షణ ఇవ్వడం తక్కువ స్థాయి పని; సమూహ పరిణామం యొక్క యంత్రాంగాలను పునరుత్పత్తి చేయడానికి ఒకరికొకరు జ్ఞానాన్ని అందించడానికి వేగంగా మారుతున్న వ్యక్తుల "కాలనీలను" మనం పరిగణించాలి.

మనం ఇప్పుడు ML అల్గారిథమ్‌లలో ఏమి స్వీకరించవచ్చు:

  • జనాభా యొక్క అభ్యాసాన్ని నిర్ధారించే సెల్ వంశ నమూనాలను వర్తింపజేయండి, కానీ వ్యక్తి యొక్క స్వల్ప జీవితాన్ని ("వ్యక్తిగత మెదడు")
  • తక్కువ సంఖ్యలో ఉదాహరణలను ఉపయోగించి కొన్ని-షాట్ లెర్నింగ్
  • మరింత సంక్లిష్టమైన న్యూరాన్ నిర్మాణాలు, కొద్దిగా భిన్నమైన క్రియాశీలత విధులు
  • "జీనోమ్"ని తదుపరి తరాలకు బదిలీ చేయడం - బ్యాక్‌ప్రొపగేషన్ అల్గోరిథం
  • మేము న్యూరోఫిజియాలజీ మరియు న్యూరల్ నెట్‌వర్క్‌లను కనెక్ట్ చేసిన తర్వాత, మేము అనేక భాగాల నుండి మల్టీఫంక్షనల్ మెదడును నిర్మించడం నేర్చుకుంటాము.

ఈ దృక్కోణం నుండి, SOTA పరిష్కారాల అభ్యాసం హానికరం మరియు సాధారణ పనులను (బెంచ్‌మార్క్‌లు) అభివృద్ధి చేయడం కోసం సవరించబడాలి.

“వెరిడికల్ డేటా సైన్స్”, బిన్ యు (బర్కిలీ)

వీడియోలు మరియు స్లయిడ్‌లు
నివేదిక మెషీన్ లెర్నింగ్ మోడల్‌లను వివరించే సమస్య మరియు వాటి ప్రత్యక్ష పరీక్ష మరియు ధృవీకరణ కోసం పద్దతి కోసం అంకితం చేయబడింది. ఏదైనా శిక్షణ పొందిన ML మోడల్ దాని నుండి సంగ్రహించవలసిన జ్ఞానం యొక్క మూలంగా గుర్తించబడుతుంది.

అనేక రంగాలలో, ప్రత్యేకించి వైద్యరంగంలో, ఈ దాచిన జ్ఞానాన్ని సంగ్రహించకుండా మరియు మోడల్ ఫలితాలను వివరించకుండా మోడల్‌ను ఉపయోగించడం అసాధ్యం - లేకపోతే ఫలితాలు స్థిరంగా, యాదృచ్ఛికంగా, నమ్మదగినవిగా ఉంటాయని మరియు వాటిని చంపలేమని మేము ఖచ్చితంగా చెప్పలేము. రోగి. వర్క్ మెథడాలజీ యొక్క మొత్తం దిశ లోతైన అభ్యాస నమూనాలో అభివృద్ధి చెందుతోంది మరియు దాని సరిహద్దులకు మించి ఉంటుంది - వాస్తవిక డేటా సైన్స్. అదేంటి?

మేము శాస్త్రీయ ప్రచురణల నాణ్యతను మరియు నమూనాల పునరుత్పత్తిని సాధించాలనుకుంటున్నాము:

  1. ఊహాజనిత
  2. గణించదగినది
  3. స్థిరమైన

ఈ మూడు సూత్రాలు కొత్త పద్దతికి ఆధారం. ఈ ప్రమాణాలకు వ్యతిరేకంగా ML మోడల్‌లను ఎలా తనిఖీ చేయవచ్చు? తక్షణమే అర్థమయ్యే నమూనాలను (రిగ్రెషన్స్, డెసిషన్ ట్రీస్) నిర్మించడం సులభమయిన మార్గం. అయితే, మేము లోతైన అభ్యాసం యొక్క తక్షణ ప్రయోజనాలను కూడా పొందాలనుకుంటున్నాము.

సమస్యతో పని చేయడానికి ఇప్పటికే ఉన్న అనేక మార్గాలు:

  1. నమూనాను అర్థం చేసుకోండి;
  2. శ్రద్ధ ఆధారంగా పద్ధతులను ఉపయోగించండి;
  3. శిక్షణ సమయంలో అల్గారిథమ్‌ల బృందాలను ఉపయోగించండి మరియు లీనియర్ ఇంటర్‌ప్రెటబుల్ మోడల్‌లు న్యూరల్ నెట్‌వర్క్ వలె అదే సమాధానాలను అంచనా వేయడం నేర్చుకునేలా చూసుకోండి, లీనియర్ మోడల్ నుండి లక్షణాలను వివరించడం;
  4. శిక్షణ డేటాను మార్చడం మరియు పెంచడం. ఇందులో నాయిస్, జోక్యం మరియు డేటా పెంపుదల జోడించడం;
  5. మోడల్ ఫలితాలు యాదృచ్ఛికంగా లేవని మరియు చిన్న అవాంఛిత జోక్యం (ప్రత్యర్థి దాడులు)పై ఆధారపడకుండా ఉండేలా సహాయపడే ఏవైనా పద్ధతులు;
  6. వాస్తవం తర్వాత, శిక్షణ తర్వాత నమూనాను అర్థం చేసుకోండి;
  7. వివిధ మార్గాల్లో స్టడీ ఫీచర్ బరువులు;
  8. అన్ని పరికల్పనల సంభావ్యత, తరగతి పంపిణీని అధ్యయనం చేయండి.

NeurIPS 2019: ML ట్రెండ్‌లు వచ్చే దశాబ్దం పాటు మాతో ఉంటాయి
విరోధి దాడి ఒక పంది కోసం

మోడలింగ్ లోపాలు ప్రతి ఒక్కరికీ ఖరీదైనవి: ఒక ప్రధాన ఉదాహరణ రీన్‌హార్ట్ మరియు రోగోవ్ యొక్క పని."అప్పుల సమయంలో వృద్ధి" అనేక యూరోపియన్ దేశాల ఆర్థిక విధానాలను ప్రభావితం చేసింది మరియు వాటిని పొదుపు విధానాలను అనుసరించమని బలవంతం చేసింది, అయితే సంవత్సరాల తర్వాత డేటా మరియు వాటి ప్రాసెసింగ్‌ను జాగ్రత్తగా తిరిగి తనిఖీ చేయడం వ్యతిరేక ఫలితాన్ని చూపించింది!

ఏదైనా ML సాంకేతికత అమలు నుండి అమలు వరకు దాని స్వంత జీవిత చక్రం కలిగి ఉంటుంది. మోడల్ జీవితంలోని ప్రతి దశలో మూడు ప్రాథమిక సూత్రాలను తనిఖీ చేయడం కొత్త పద్దతి యొక్క లక్ష్యం.

ఫలితాలు:

  • ML మోడల్ మరింత విశ్వసనీయంగా ఉండటానికి సహాయపడే అనేక ప్రాజెక్ట్‌లు అభివృద్ధి చేయబడుతున్నాయి. ఇది, ఉదాహరణకు, డీప్‌ట్యూన్ (లింక్: github.com/ChrisCummins/paper-end2end-dl);
  • పద్దతి యొక్క మరింత అభివృద్ధి కోసం, ML రంగంలో ప్రచురణల నాణ్యతను గణనీయంగా మెరుగుపరచడం అవసరం;
  • మెషిన్ లెర్నింగ్‌కు టెక్నికల్ మరియు హ్యుమానిటీస్ రంగాలలో మల్టీడిసిప్లినరీ ట్రైనింగ్ మరియు నైపుణ్యం ఉన్న నాయకులు అవసరం.

"మెషిన్ లెర్నింగ్‌తో హ్యూమన్ బిహేవియర్ మోడలింగ్: అవకాశాలు మరియు సవాళ్లు" నూరియా M ఆలివర్, ఆల్బర్ట్ అలీ సలా

మానవ ప్రవర్తన, దాని సాంకేతిక పునాదులు మరియు అనువర్తన అవకాశాలను మోడలింగ్ చేయడానికి అంకితమైన ఉపన్యాసం.

మానవ ప్రవర్తన నమూనాను ఇలా విభజించవచ్చు:

  • వ్యక్తిగత ప్రవర్తన
  • ఒక చిన్న సమూహం యొక్క ప్రవర్తన
  • సామూహిక ప్రవర్తన

ఈ రకాల్లో ప్రతి ఒక్కటి MLని ఉపయోగించి మోడల్ చేయవచ్చు, కానీ పూర్తిగా భిన్నమైన ఇన్‌పుట్ సమాచారం మరియు లక్షణాలతో. ప్రతి రకానికి దాని స్వంత నైతిక సమస్యలు ఉన్నాయి, అవి ప్రతి ప్రాజెక్ట్ ద్వారా వెళతాయి:

  • వ్యక్తిగత ప్రవర్తన - గుర్తింపు దొంగతనం, డీప్‌ఫేక్;
  • వ్యక్తుల సమూహాల ప్రవర్తన - డి-అనామకీకరణ, కదలికలు, టెలిఫోన్ కాల్‌లు మొదలైన వాటి గురించి సమాచారాన్ని పొందడం;

వ్యక్తిగత ప్రవర్తన

ఎక్కువగా కంప్యూటర్ విజన్ అంశానికి సంబంధించినది - మానవ భావోద్వేగాలు మరియు ప్రతిచర్యల గుర్తింపు. బహుశా సందర్భానుసారంగా, సమయానుసారంగా లేదా అతని స్వంత భావోద్వేగాల వైవిధ్యం యొక్క సాపేక్ష స్కేల్‌తో మాత్రమే. మెడిటరేనియన్ మహిళల భావోద్వేగ స్పెక్ట్రం నుండి సందర్భాన్ని ఉపయోగించి మోనాలిసా యొక్క భావోద్వేగాలను గుర్తించడాన్ని స్లైడ్ చూపిస్తుంది. ఫలితం: ఆనందం యొక్క చిరునవ్వు, కానీ ధిక్కారం మరియు అసహ్యంతో. కారణం "తటస్థ" భావోద్వేగాన్ని నిర్వచించే సాంకేతిక మార్గంలో ఎక్కువగా ఉంటుంది.

వ్యక్తుల యొక్క చిన్న సమూహం యొక్క ప్రవర్తన

తగినంత సమాచారం లేకపోవడం వల్ల ఇప్పటివరకు చెత్త మోడల్ ఉంది. ఉదాహరణగా, 2018 - 2019 వరకు పనులు చూపబడ్డాయి. డజన్ల కొద్దీ వ్యక్తులపై X డజన్ల కొద్దీ వీడియోలు (cf. 100k++ ఇమేజ్ డేటాసెట్‌లు). ఈ టాస్క్‌ను ఉత్తమంగా రూపొందించడానికి, మల్టీమోడల్ సమాచారం అవసరం, ప్రాధాన్యంగా బాడీ ఆల్టిమీటర్, థర్మామీటర్, మైక్రోఫోన్ రికార్డింగ్ మొదలైన వాటిపై సెన్సార్‌ల నుండి.

సామూహిక ప్రవర్తన

అత్యంత అభివృద్ధి చెందిన ప్రాంతం, ఎందుకంటే కస్టమర్ UN మరియు అనేక రాష్ట్రాలు. బహిరంగ నిఘా కెమెరాలు, టెలిఫోన్ టవర్ల నుండి డేటా - బిల్లింగ్, SMS, కాల్‌లు, రాష్ట్ర సరిహద్దుల మధ్య కదలికపై డేటా - ఇవన్నీ ప్రజల కదలిక మరియు సామాజిక అస్థిరతల గురించి చాలా నమ్మదగిన చిత్రాన్ని ఇస్తుంది. సాంకేతికత యొక్క సంభావ్య అప్లికేషన్‌లు: రెస్క్యూ ఆపరేషన్‌ల ఆప్టిమైజేషన్, సహాయం మరియు అత్యవసర సమయంలో జనాభాను సకాలంలో తరలించడం. ఉపయోగించిన నమూనాలు ప్రధానంగా ఇప్పటికీ సరిగా అర్థం చేసుకోబడలేదు - ఇవి వివిధ LSTMలు మరియు కన్వల్యూషనల్ నెట్‌వర్క్‌లు. ఏదైనా పరిశోధన కోసం అవసరమైన అనామక డేటాను భాగస్వామ్యం చేయడానికి యూరోపియన్ వ్యాపారాలను నిర్బంధించే కొత్త చట్టం కోసం UN లాబీయింగ్ చేస్తోందని సంక్షిప్త వ్యాఖ్య ఉంది.

“సిస్టమ్ 1 నుండి సిస్టమ్ 2 వరకు డీప్ లెర్నింగ్”, యోషువా బెంగియో

స్లయిడ్‌లు
జాషువా బెంగియో యొక్క ఉపన్యాసంలో, లోతైన అభ్యాసం గోల్ సెట్టింగ్ స్థాయిలో న్యూరోసైన్స్‌ను కలుస్తుంది.
నోబెల్ గ్రహీత డేనియల్ కాహ్నెమాన్ (పుస్తకం ") పద్ధతి ప్రకారం బెంగియో రెండు ప్రధాన రకాల సమస్యలను గుర్తించారు.నిదానంగా ఆలోచించండి, వేగంగా నిర్ణయం తీసుకోండి")
టైప్ 1 - సిస్టమ్ 1, మనం “ఆటోమేటిక్‌గా” చేసే అపస్మారక చర్యలు (ప్రాచీన మెదడు): సుపరిచితమైన ప్రదేశాల్లో కారు నడపడం, నడవడం, ముఖాలను గుర్తించడం.
రకం 2 - సిస్టమ్ 2, చేతన చర్యలు (సెరిబ్రల్ కార్టెక్స్), గోల్ సెట్టింగ్, విశ్లేషణ, ఆలోచన, మిశ్రమ పనులు.

AI ఇప్పటివరకు మొదటి రకానికి చెందిన పనులలో మాత్రమే తగినంత ఎత్తుకు చేరుకుంది, అయితే మా పని దానిని రెండవదానికి తీసుకురావడం, మల్టీడిసిప్లినరీ కార్యకలాపాలను నిర్వహించడం మరియు తర్కం మరియు ఉన్నత-స్థాయి అభిజ్ఞా నైపుణ్యాలతో పనిచేయడం నేర్పడం.

ఈ లక్ష్యాన్ని సాధించడానికి ఇది ప్రతిపాదించబడింది:

  1. NLP టాస్క్‌లలో, మోడలింగ్ థింకింగ్ కోసం అటెన్షన్‌ను కీలకమైన మెకానిజంగా ఉపయోగించండి
  2. స్పృహ మరియు వాటి స్థానికీకరణను ప్రభావితం చేసే మెరుగైన మోడల్ లక్షణాలకు మెటా-లెర్నింగ్ మరియు ప్రాతినిధ్య అభ్యాసాన్ని ఉపయోగించండి - మరియు వాటి ప్రాతిపదికన ఉన్నత-స్థాయి భావనలతో పనిచేయడానికి వెళ్లండి.

ముగింపుకు బదులుగా, ఇక్కడ ఆహ్వానించబడిన చర్చ ఉంది: ఆప్టిమైజేషన్ సమస్యలు, SOTA మరియు కొత్త ఆర్కిటెక్చర్‌లకు మించి ML రంగాన్ని విస్తరించడానికి ప్రయత్నిస్తున్న అనేక మంది శాస్త్రవేత్తలలో బెంగియో ఒకరు.
స్పృహ సమస్యల కలయిక, ఆలోచనపై భాష ప్రభావం, న్యూరోబయాలజీ మరియు అల్గారిథమ్‌ల కలయిక భవిష్యత్తులో మనకు ఎదురుచూస్తుంది మరియు వ్యక్తులలాగా “ఆలోచించే” యంత్రాలకు వెళ్లడానికి ఎంతవరకు అనుమతిస్తుంది అనే ప్రశ్న తెరిచి ఉంది.

ధన్యవాదాలు!



మూలం: www.habr.com

ఒక వ్యాఖ్యను జోడించండి