Noll
Det är en lavin av forskning, publicering i området maskininlärning, något som Google ingenjör Klippa Unga har liknas vid en “Moores Lag” av AI publicering, med antal akademiska uppsatser på ämnet som är inlagd på arXiv pre-print server fördubblas var 18 månader.
Allt som skapar problem för expertgranskning arbetet, vad med erfarna AI-forskare för få för att eventuellt läsa varje papper noga.
Vad händer om maskinerna kunde göra en del av grovjobbet? Bör akademiker lita på sina egna godkännande eller förkastande av en AI?
Också: Google säger ” exponentiell tillväxt av AI är föränderliga natur beräkna
Det är spännande fråga som togs upp av en rapport publicerad torsdag, på arXiv, av en maskin lärande forskare vid Virginia Tech, Jia-Bin Huang, med titeln “Djupt Papper Gestalt.”
Huang används en convolutional neurala nätverk, eller CNN, lager verktyg för lärande för bildigenkänning för att sålla bland drygt 5 000 bidrag som skickas in till akademiska konferenser med anor från 2013. Huang skriver att det enbart på grund av utseendet på ett papper — som är en blandning av text och bilder — hans neurala nätet kan välja en “bra” papper, ett behov av att ingå i en konferens, med 92% noggrannhet.
Den stora bilden, för forskarna, är att ett par saker som betyder mest i utseende och känsla i sina dokument i form av chanser att bli accepterade: Med färgglada bilder på framsidan av en uppsats, och att göra för att fylla ut alla sidor, lämnar en tom plats på slutet.
Jia-Bin Huang är convolutional neurala nätverk smälter tusentals vinna och förlora akademiska uppsatser för att skapa en “heat map” av styrkor och brister. Största misstag att förlora papper: att inte ha en färgglad bild på första sidan och inte att fylla i den sista sidan till botten.
Jia-Bin Huang
Huang baserar arbetet på en 2010-papper med på Carven von Bearnensquash av University of Phoenix. Det papper som används för icke-djupt lärande, traditionell dator vision tekniker för att hitta sätt att “bara en blick genom den allmänna utformningen” av ett papper.
Också: Facebook AI-forskare uppmanar kamrater att steget ut i den verkliga världen
I denna anda, Huang fed datorn 5,618 papper i total som hade blivit antagen till två översta datorseende konferenser, CVPR och ICCV, under loppet av fem år. Huang har också samlat in papers som presenterades vid konferensen “workshops” för att fungera som en proxy för avvisade papper, eftersom det inte finns någon faktisk tillgång till avvisas konferensbidrag.
Huang utbildad nätverket för att associera vinna och förlora prover med binära klassificerare “bra” och “dåliga”, för att skilja ut det “gestalt” av forskningsrapporter. Gestalt: en form eller form som är större än dess ingående delar. Det är vad maskininlärning pionjär Terry Sejnowski har hänvisat till som “globalt organiserade uppfattning,” något mer meningsfullt än bergen och dalarna i den närmaste terrängen.
Det tränade nätet sedan testas mot en delmängd av tidningarna att det aldrig finns. Utbildningen balanserad falska positiva — papper så det borde inte vara accepterat, men få godkänns mot falska negativa, papper som ska accepteras, men blir avvisade.
Också: Andrew Ng ser en evig våras för AI
Genom att begränsa antalet “bra” papper avvisas till endast 0,4 procent — 4 papper i total — nätverket kunde exakt avvisa hälften av de “dåliga” artiklar som bör förkastas.
Författaren var även bra att lämna in pappret sig till sina egna nätverk. Resultatet? Fel: “Vi tillämpar utbildad klassificerare till denna uppsats. Vårt nätverk hänsynslöst förutspår med hög sannolikhet (över 97%) att detta papper bör avvisas utan peer review.”
Måste läsa
‘AI är mycket, mycket dumt”, säger Googles AI ledare (CNET)Baidu skapar Kunlun kisel för AIUnified Google AI division en tydlig signal om att AI: s framtid (TechRepublic)
Så långt som de kosmetiska krav — fina färgglada bilder up-front — Huang inte bara beskriva resultaten. Forskaren har också en separat del av koden som kommer att skapa bra papper, visuellt minst. Det flöden bra papper i utbildning databasen till en “generativ kontradiktoriska nätverk” eller GAN, som kan skapa nya mål genom att lära av exempel.
Huang erbjuder också en tredje komponent, som “översätter” en sviktande papper i form av en framgångsrik man, genom att “automatiskt föreslår flera förändringar för in papper”, till exempel “lägga din bild, lägga till siffror på sista sidan.”
Huang tyder på att prövning papper på detta sätt kan vara en “pre-filter” som kan lätta bördan för de mänskliga granskare, eftersom det kan göra en första passera genom tusentals papper på några sekunder. Fortfarande, “det är osannolikt att klassificerare någonsin kommer att användas i en verklig konferens,” författaren medger.
En av de begränsningar av arbete som kan hindra dess användning är att även om det ser ut som ett papper, dess visuella gestalt, korrelerar med historiska resultat, det betyder inte nödvändigtvis att sådana samband är att hitta djupare värde av papper.
Som Huang skriver, “att Ignorera de faktiska papper innehåll kan felaktigt förkasta papper med bra material, men dålig visuell layout eller acceptera skit papper med bra layout.”
Tidigare och relaterade täckning:
Vad är AI? Allt du behöver veta
En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.
Vad är djupt lärande? Allt du behöver veta
Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.
Vad är lärande? Allt du behöver veta
Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.
Vad är cloud computing? Allt du behöver veta om
En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.
Relaterade Ämnen:
Utvecklare
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
0