自動駕駛方程式賽車，微軟釋出機器學習開源框架 | AI一週學術

大資料文摘專欄作品

作者：Christopher Dossman

編譯：笪潔瓊、conrad、雲舟

嗚啦啦啦啦啦啦啦大家好，本週的AI Scholar Weekly欄目又和大家見面啦！

AI Scholar Weekly是AI領域的學術專欄，致力於為你帶來最新潮、最全面、最深度的AI學術概覽，一網打盡每週AI學術的前沿資訊。

週一更新，做AI科研，每週從這一篇開始就夠啦！

本週關鍵詞：AutoML、自動駕駛方程式賽車、機器學習的新開源框架

谷歌研究人員最近將一種基於學習的方法應用於表格資料，建立了一種可擴充套件的端到端AutoML技術。AutoML符合三個關鍵標準，包括：

• 完全自動化：不需要人工干預。輸入包括資料和計算資源，輸出是一個可服務的TensorFlow模型

• 廣泛的覆蓋範圍：適用於許多表格資料域的任意任務

• 高質量：模型由AutoML生成，質量堪比由ML專家建立的人工模型

AutoML首次參與由74個團隊組成的KaggleDays SF Hackathon。該挑戰主要關於預測製造缺陷，目標是提供有關材料效能的資訊和批次汽車零部件的測試結果。儘管他們必須與Kaggle master級別的參與者競爭，但谷歌AutoML團隊最後仍名列第二。

AutoML在表格資料問題中的應用是非常令人興奮的。AutoML可以實現能夠解決表格資料問題的最先進模型。它可以幫助ML社群解決大量的問題——欺詐檢測、庫存預測，在商業零售、供應鏈管理、金融、製造、鉛轉換等等等。谷歌的目標是使ML更具可伸縮性，並加快研究和行業應用程式。

原文：

https://ai.googleblog.com/2019/05/an-end-to-end-automl-solution-for.html

研究人員最近證明，對WSCR上現有的LMs進行調參有助於提高LM處理WSC273和WNLI的能力。他們介紹了一種生成大規模WSC樣本的方法，並用它從英文維基百科建立了一個1100萬的資料集。該方法還與WSCR一起用於對預先訓練的BERT LM進行調參。對WSC273和WNLI的準確率分別達到72.2%和71.9%，較之前的最優水平分別提高了8.5%和6.8%。

由於WSC示例是為了展現像人一樣的常識和推理而開發的，因此該任務非常具有挑戰性。在WSC比賽中，兩輪取得90%準確率的參賽者可獲25,000元大獎。此前最著名的解決方案使用了深度學習，準確率為63.7%。

本研究工作是第一個突破WNLI多數基線的模型。透過對WSCR資料集上的BERT語言模型進行微調，實現了對WSC和WNLI資料集的改進。它具有幫助未來Winograd模式挑戰參與者提高WSC和WNLI準確性的潛力。

原文：

上週晚些時候，一組研究人員公佈了他們在開發模擬自動駕駛演算法時的所有探索和經驗教訓，然後將其部署到一輛真實的汽車上。他們的工作特別集中在方程式賽車的學生無人駕駛競賽上。在這項比賽中，方程式賽車是由學生設計並製造的，然後它們要穿過由交通標記的看不見的賽道。

論文主要貢獻:

• 端到端設計和部署一個自治堆疊，可以基於AirSim駕駛一個自定義方程式SAE。

• 獨特的擴增，顯著改善記錄過程和訓練模型

• 模擬訓練系統如何在真實的環境中部署的詳細介紹。

對真實應用中的人工智慧，模擬是一項關鍵技術。在自動駕駛汽車上路之前，對其進行虛擬驗證尤為必要。對於該領域的研究人員來說，安全性非常重要。本文在各種模擬場景中發揮了巨大的作用，以幫助未來的自動化軟體達到更高的標準。

程式碼：

原文：

微軟最近推出了ML.NET，這是一個用於構建自定義機器學習庫解決方案的框架。開發ML.NET是為了讓開發人員能夠使用ML框架編寫、測試和部署ML。它當前的實現包括2773K行c#程式碼和大約74K行c++程式碼，這些程式碼能夠支援高效能的機器學習應用。ML.NET還支援80多個特徵設定器和40個機器學習模型。

開發人員可以訓練ML模型或使用第三方現有模型，並在任何離線環境中執行，這意味著他們不需要有資料科學背景（知識）就可以使用該框架。

ML.NET是為了響應微軟資料科學家的眾多需求和見解而開發的，這些資料科學家將使用它來開發全球數百萬人使用的服務和產品。

作為一個免費的庫，ML.NET將大型軟體應用程式中的ML模型應用變得更加容易。該框架以一種易於使用的方式實現，即在大型資料集上提供可擴充性的同時，還有較高的效能和在單個API資料轉換下進行統一的能力。

隨著ML快速發展成為現代應用程式開發的核心元素，ML.NET將幫助開發人員將ML引入相同的技術堆疊，以便更有效地編寫和共享ML機制。

原文：

對於機器人與控制，控制器的效能和穩定性與模擬器的模擬度有關。在此背景下，一組研究人員介紹了一種利用系統動力學的模擬和不確定性量化的方法，能夠以一種有效的方式來學習控制器。

他們的方法是從一個線上階段開始的，該階段會評估一些用資料生成的模擬。利用訓練資料和高斯過程(GPs)估計了系統的轉變動力學和獎勵函式。

然後，透過自適應取樣，該方法使用一種有原則的方式對低保真度模型進行增強。在離線模式下，該方法則利用強化學習、近端策略最佳化（PPO）等無模型方法，提高了模型保真度以及最佳化了控制器策略。

本文結合了基於模型和無模型方法的優點，實現了穩定控制器的開發，提高了機器人以及控制器的有效資料。現實世界中的機器人制造成本高昂。這種研究工作有助於簡化過程，併為複雜的系統動力學提供了更好的建模能力。

原文：

在過去20年裡，目標檢測是如何轉變的：

一種新的基於有監督深度學習的次優檢視規劃方法：

莫斯科研究人員的多視角3D人體姿態估計解決方案在Human3.6M（3D人體姿態）資料集上實現了最先進的效能：

三維人體重建的精度和靈活性：

一種基於新的關鍵點的單RGB影像的3D目標檢測和定位方法：

利用人工智慧而不必從頭開始：

Google AI釋出一個端到端模型，可以直接將語音從一種語言翻譯成另一種語言：

https://ai.googleblog.com/2019/05/introducing-translatotron-end-to-end.html

MIT：你能說一個機器學習系統已經為真實的世界做好準備了嗎？