Машинное обучение и отрасль науки о данных постоянно меняются. Чтобы держать вас в курсе последних открытий, мы собрали 5 самых интересных исследований по машинному обучению, которые расширяют наши представления о машинном обучении и отраслях, к которым оно относится.
[Статья по теме: Лучшее исследование машинного обучения за 2019 год]
Передача справедливости машинного обучения между доменами
Справедливость в машинном обучении была тяжелой темой для обсуждения с самого начала технологии, но теперь, в статье Кэндис Шуман, Сюэчжи Ван, Алекса Бейтеля, Цзилинь Чен, Хай Цянь и Эд Х. Чи, у нас есть некоторые теоретические модели. для обеспечения справедливости в разных приложениях одной модели машинного обучения. Они формулируют эту проблему как «проблемы с адаптацией домена: как мы можем использовать то, что мы узнали в исходном домене, для устранения ошибок в новом целевом домене, без прямого устранения ошибок в целевом домене, как если бы это была совершенно новая проблема?» В документе они также предлагают «подход к моделированию для переноса в целевые области с разреженными данными… [и] эмпирические результаты, подтверждающие теорию и показывающие, что эти подходы к моделированию могут улучшить показатели справедливости с меньшим объемом данных»
Калиброванное обучение с глубоким подкреплением на основе моделей
В недавней статье Али Малика, Владимира Кулешова, Джаминг Сонг, Дэнни Немера, Харлана Сеймура и Стефано Эрмона они исследуют, «какие неопределенности необходимы для обучения с подкреплением на основе моделей, и утверждают, что хорошие неопределенности должны быть откалиброваны». Их исследования показывают, что «калибровка может улучшить производительность обучения с подкреплением на основе моделей с минимальными затратами на вычисления и реализацию».
Практики программной инженерии для машинного обучения
В последние годы возможности машинного обучения резко выросли; В этой статье Питера Кринса и Тима Вербелена исследуются некоторые из этих возможностей в разработке программного обеспечения. Они предлагают «обзор современных методов управления сложным программным обеспечением и их применимости к моделям [машинного обучения]».
Обзор глубокого обучения в реконструкции медицинских изображений
Хотя медицинская визуализация является важным компонентом клиник по всему миру, реконструкция медицинских изображений остается одним из наиболее важных аспектов этого процесса. В статье, посвященной развитию глубокого обучения в реконструкции медицинских изображений, а также проблемам, Хаймяо Чжан и Бинь Донг предлагают «точку зрения на динамику развертывания».
Теоретическая связь между статистической физикой и обучением с подкреплением
В недавней статье Джад Рахме и Райан П. Адамс «исследуют другое измерение этой взаимосвязи, исследуя обучение с подкреплением с использованием инструментов и абстракций статистической физики». Они говорят, что «последовательное принятие решений в присутствии неопределенности и стохастической динамики приводит к завышению распределений / траекторий действий в обучении с подкреплением (RL) и задачам оптимального управления».
[Статья по теме: Самое захватывающее исследование обработки естественного языка за 2019 год]
Вывод
Исследования машинного обучения и, следовательно, исследователи, которые вносят в них свой вклад, всегда раздвигают границы того, где машинное обучение может развиваться дальше. Всегда будет следующий шаг - от улучшения объективности до медицинских изображений. Как думаете, что это будет?
Прочтите больше статей по науке о данных на OpenDataScience.com, включая учебные пособия и руководства от новичка до продвинутого уровня! Подпишитесь на нашу еженедельную рассылку здесь и получайте последние новости каждый четверг.
