AI大事件 | 通過腦電波診斷抑郁症，AI預測大選一敗塗地

本周關鍵詞：新冠病毒、美國大選、ImageNet

AI新聞

AI通過咳嗽聲檢測無症狀新冠病毒感染

MIT的研究人員發現，無症狀新冠病毒感染者的咳嗽方式可能與正常人不同。這些差異是人耳無法了解的。但事實證明，它們可以被人工智能發現。

詳情：

https://news.mit.edu/2020/covid-19-cough-cellphone-detection-1029

美國大選中，AI與民調機構的預測表現如何？

民調和AI預測美國2020年總統大選失實。實踐再次告訴我們，仔細取樣是可靠預測的關鍵。

https://venturebeat.com/2020/11/06/how-ai-predictions-fared-against-pollsters-in-the-2020-u-s-election/

ImageNet預訓練出的算法充滿偏見

一組研究人員聲稱，他們能夠證明，在ImageNet上訓練的計算機視覺算法中普遍存在偏見。

https://venturebeat.com/2020/11/03/researchers-show-that-computer-vision-algorithms-pretrained-on-imagenet-exhibit-multiple-distressing-biases/

從腦電波中診斷抑郁症

Alphabet的X實驗室開發了配套的硬體和軟體，試圖從腦電波讀數中診斷抑郁症和焦慮情緒。

https://venturebeat.com/2020/11/02/alphabets-project-amber-leverages-ai-to-identify-brain-wave-data-relevant-to-anxiety-and-depression/

AI學術

神經網絡的表現與寬度和深度的關系

深度神經網絡體系結構通常通過調整其寬度和深度來适應可用的計算資源。在這項工作中，研究人員研究了寬度和深度對神經網絡表示的影響。

通過在CIFAR-10、CIFAR-100和ImageNet上的實驗，他們證明随着寬度和深度相對于資料集大小的增加，對于隐藏表示的分析顯示了一種特征塊結構的出現，該結構反映了第一主成分的相似性，并會傳播到許多網絡隐藏層。

進一步的分析發現，雖然塊結構對于每個模型都是唯一的，但是其他學習到的特征在不同的初始化和體系結構中是共享，特别是在網絡的相對深度上。當然，關于如何通過訓練産生塊結構，以及如何利用對網絡深度和寬度的見解來優化的模型設計，仍然存在一些有趣的開放性問題。

原文：

https://arxiv.org/pdf/2010.15327v1.pdf?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter

通過離線強化學習聯系新技能和先驗知識

強化學習已應用于各種各樣的機器人問題，但大多數此類應用都涉及從零開始為每個新任務收集資料。是以，這一領域的研究一直受到時間和成本的限制，機器人學習到的行為通常也很窄——政策隻能在訓練它的少數場景中執行任務。但如果有一種方法可以合并大量之前的資料（無論是來自先前解決的任務，還是來自無監督或無方向的環境互動）來擴充和概括學習到的行為呢？

研究人員表明，通過動态規劃，他們可以重用先前的資料來擴充新的技能。即使先前的資料實際上不能成功地解決新任務，它仍然可以用于學習一個更好的政策，方法是為代理提供對其環境機制的更廣泛的了解。

實驗結果證明了該方法的有效性，該方法将先前資料集中的幾種行為連結起來，以解決一個新任務，其中最困難的實驗設定包括連續組合四種機器人技能：拾取、放置、打開抽屜和抓取。

Demo網站：

https://sites.google.com/view/cog-rl?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter https://arxiv.org/abs/2010.14500v1?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter