Nul
Er is een lawine van onderzoek, het publiceren op het gebied van machine learning, iets wat Google engineer Cliff Young heeft vergeleken met een “Moore’ s Law” van AI publiceren, met het nummer van academische papers over het onderwerp die zijn geplaatst op het arXiv pre-print server, verdubbelt elke 18 maanden.
Dat alles zorgt voor problemen voor peer reviews het werk, wat met ervaren AI-onderzoekers te weinig om te lezen elke papier voorzichtig.
Wat als machines kon doen van het zware werk? Moeten wetenschappers vertrouwen op hun eigen acceptatie of afwijzing van een AI?
Ook: Google zegt ‘exponentiële groei’ van de AI is het veranderen van de aard van het berekenen van
Dat is de intrigerende vraag gesteld door een rapport gepubliceerd donderdag, op arXiv, door een machine learning onderzoeker bij Virginia Tech, Jia-Bin Huang, getiteld “Diep Papier Gestalt.”
Huang gebruikt een convolutional neurale netwerk, of CNN, de voorraad tool van machine learning voor het imago van de erkenning, te ziften door middel van meer dan 5000 papers ingediend voor een academische conferentie dateert van 2013. Huang schrijft dat puur op basis van de uitstraling van een papier — de combinatie van tekst en afbeeldingen zijn neurale net kan u een “goede” papier, een verdienstelijke opname in een conferentie, met 92% nauwkeurigheid.
De grote foto voor onderzoekers, is dat een paar dingen die het belangrijkst zijn in de look en feel van het document in termen van de kans op het krijgen aanvaard: Met kleurrijke foto ‘s op de voorpagina van een research paper, en het maken van de in te vullen alle van de pagina’ s, waardoor er een lege plek aan het einde.
Jia-Bin Huang ‘ s convolutional neurale netwerk verteert duizenden van het winnen en het verliezen van academische papers maken van een “heat map” van de sterke punten en tekortkomingen. Grootste fouten van het verliezen van papier: het niet hebben van een kleurrijke afbeelding op de eerste pagina en niet op het invullen van de laatste pagina naar de bodem.
Jia-Bin Huang
Huang baseert het werk op een 2010 papier door op Carven von Bearnensquash van de Universiteit van Phoenix. Dat papier gebruikt, niet diep leren, traditionele computer vision technieken om manieren te vinden om “slechts een blik door de algemene lay-out” van een papier.
Ook op: Facebook AI-onderzoeker spoort collega ‘ s aan de stap naar de echte wereld
In die geest, Huang fed de computer 5,618 papieren in totaal had al geaccepteerd voor twee top computer vision conferenties, CVPR en ICCV, in de loop van vijf jaar. Huang ook verzameld papers gepresenteerd op de conferentie “workshops” om te dienen als een proxy voor afgewezen papers, aangezien er geen daadwerkelijke toegang tot verworpen conferentie papers.
Huang getrainde het netwerk te koppelen met het winnen en het verliezen van monsters met de binaire classifier “goed” en “slecht”, om te plagen uit de “gestalt” van research papers. Gestalt: een vorm, of vorm, dat groter is dan de samenstellende delen. Het is wat machine learning pionier Terry Sejnowski heeft aangeduid als “wereldwijd georganiseerd perceptie,” iets meer betekenis dan de heuvels en valleien van de onmiddellijke terrein.
Het getrainde netwerk is vervolgens getoetst aan een subset van de kranten dat het nooit gevonden. De training balanced valse positieven — papers die niet mogen worden geaccepteerd, maar krijgen aanvaard — tegen valse negatieven, documenten die moeten worden aanvaard, maar afgewezen.
Ook: Andrew Ng ziet het eeuwige lente voor AI
Door het beperken van het aantal “goede” artikelen afgewezen op slechts 0.4% — 4 papier in totaal — het netwerk is in staat om nauwkeurig te weigeren de helft van de ‘slechte’ papier dat moet worden afgewezen.
De auteur was zelfs goed genoeg om het indienen van het papier zich aan zijn eigen netwerk. Het resultaat? Fout: “We passen de getrainde classifier op dit document. Ons netwerk genadeloos voorspelt met hoge waarschijnlijkheid (meer dan 97%) aan dat dit papier moet worden afgewezen zonder peer review.”
Moet lezen
‘AI is heel, heel stom,’ zegt Google AI leider (CNET)Baidu maakt Kunlun silicium voor AIUnified Google AI afdeling een duidelijk signaal van AI ‘ s toekomst (TechRepublic)
Voor zover de cosmetische eisen — mooie kleurrijke foto ‘ s van up-front — Huang niet alleen het beschrijven van de resultaten. De onderzoeker heeft ook een apart stuk van de code maken goede documenten, visueel in ieder geval. Het voedt de goede papieren in de training database in een ‘generatieve’ n netwerk, ‘ of GAN, wat kan leiden tot nieuwe doelstellingen door te leren van voorbeelden.
Huang biedt ook een derde component, die “vertaalt” een falende papier in de vorm van een succesvolle, door “automatisch suggereren een aantal wijzigingen voor de invoer van papier”, zoals “het toevoegen van de teaser afbeelding, het toevoegen van cijfers op de laatste pagina.”
Huang suggereert dat veiligheidsonderzoeken papers op deze manier kan een “pre-filter” dat kunnen verlichten van de last van het menselijk recensenten, zoals het kunnen maken van een first-pass-via duizenden papieren in seconden. Nog steeds, “het is onwaarschijnlijk dat de indeler ooit gebruikt zullen worden in een conferentie” de auteur geeft toe.
Een van de beperkingen van de werken die zouden kunnen belemmeren van het gebruik is dat zelfs als de blik van een krant, een visuele gestalt, correleert met de historische resultaten, dat hoeft niet te betekenen dat een dergelijke correlatie is het vinden van de diepere waarde van papier.
Als Huang schrijft, “het Negeren van de werkelijke papier inhoudsopgave kan ten onrechte weigeren papier met goede materialen, maar slechte visuele lay-out of accepteren waardeloze papier met een goede lay-out.”
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante Onderwerpen:
Ontwikkelaar
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0