源之原味

NVAIL 合作伙伴展示突破性的人工智能研究在咬事件

 

这篇文章来自 nvidia.com。原始 url 是: https://blogs.nvidia.com/blog/2017/12/15/nvail-partner-research-nips/

以下内容由机器翻译生成。如果您觉得可读性不好, 请阅读原文或 点击这里.

更多的人可能听说过年度 会议在过去的一周比前30年的首要事件集中在神经网络。

上周在长滩举行的一次默默无闻的聚会--Calif.--从《纽约时报》, 彭博, 经济学家和其他主要网点的报道中, 聚焦于它惊人的增长, 因为 AI 已经成为一个热门领域, 而疯狂的破折号公司正在招募 gifted 开发者

但回想一下在地图上放的是什么: 分享 world-class 研究, 推进人工智能。

我们的两个 NVIDIA AI 实验室 (NVAIL)合作伙伴是展示开创性工作的人之一。纽约大学的研究人员 计算机如何对复杂图像中的对象进行分类, 并采取了一步可能松散被认为是机器的外围视觉。

加州大学伯克利分校的研究人员正利用 gpu 的并行处理能力 给机器更多的 "好奇心" 去探索他们的环境试图完成任务时。

再看图像识别

纽约大学研究员肖恩. Welleck描述了他的团队是如何使用加强学习帮助计算机更好地对图像中的对象进行分类。

而不是看一个在死记硬背的模式-说从左到右, 从顶部开始和工作的方式, 以底部-团队的多目标识别模型采取高层次的形象, 所有的对象。如果它能识别出它可能正确分类的东西, 那么它需要仔细观察, 如果它是正确的, 就得到奖励。然后, 它继续到另一个对象, 它有一个良好的珠子。

这种以任意顺序对对象进行分类的能力是一个重要的进步, 并且可以导致更快、更准确的图像分类。它还最大限度地减少了对对象的注释的需要-drudgework 通常需要得到好的、标记的数据集才能使用。Welleck 的工作使最好的标签已经存在。

这项研究也是向计算机提供外围视觉的一个步骤, 其中两个级别的注意力--一个扫描对象的图像, 另一个则决定更仔细地观察可能感兴趣的项目--正在发挥作用。

奖励复杂的任务

在伯克利, 贾斯汀·傅是领导研究员在工作克服问题在加强学习如何激励机器完成复杂的任务。经典的奖励测试是游戏 乒乓球, 在那里一个 AI, 甚至一个成熟的幼儿, 可以学会操纵桨, 以成功地保持一个1,632 球在发挥。

但是有很多选择的游戏, 比如 厄运, 对 AI 和很多高智商的人来说, 都是一个更大的挑战, 因为奖励只在一个更长的成功步骤之后才会出现。如果任务是复杂的, 随机完成它的机会, 并获得奖励-是渺茫的。

研究小组提出的解决方案使用了所谓的范例模型。在它, 模型是激励采取行动导致意想不到的结果-, 因此您的机器人不尝试同样左转弯每次它看见 t 在迷宫。相反, 它的激励是探索其环境中的选项。

它通过确定新图像和它所看到的所有以前的图片之间的差异来做到这一点。而不是比较图像之间的原始像素, 模型训练分类器, 以区分什么是新的图像相比, 早期的检查。

多亏了 GPU 计算, 这个模型可以快速地通过大量的图像, 将所有的东西分类。注意到环境的这些细微变化有助于模型尝试新的选项, 并更好地解决如何成功完成其任务。

纽约大学和伯克利分校是我们 NVAIL 计划支持的全球20所大学中的两所。NVAIL 帮助像这样的学校的研究人员通过 NVIDIA 研究人员和工程师的帮助, 支持大学的学生, 并获得业界最先进的 GPU 计算能力, 像 DGX-1 AI 超级计算机.

将结构引入条件建模

由来自清华大学的研究人员邱志杰邓率领的一个团队, 利用结构化的生成对抗性网络 (或 SGANs), 在条件生成模型中实现了最先进的结果, 例如, 在创建图像基于标签的对象。

一个关键的进展是它只使用一小组标记的数据。这项工作涉及两对对抗性和协作游戏。他们估计了真实的条件分布, 使我们的兴趣和其他变量的语义迎刃而解。

从这些区域生成标记的图像可以补充标签丰富的监督学习的结果, 并推进常见的 AI 任务, 如图像分类。

想要 了解更多关于人工智能、机器学习和深入学习的知识? 看看我们的备忘单AI顶级课程.

Leave A Reply

Your email address will not be published.