Nul
Der er en lavine af forskning, publicering inden for machine learning, noget Google ingeniør Klippe Unge har sammenlignes med en “Moores Lov” af AI-udgivelse, med antallet af videnskabelige artikler om emnet, der er bogført på arXiv pre-print server fordobling hver 18 måneder.
Alle, der skaber problemer for peer review arbejdet, hvad med erfarne AI forskere for få, for eventuelt at læse hver og papir omhyggeligt.
Hvad hvis maskinerne kunne gøre nogle af de tunge løft? Skal akademikere har tillid til deres egen accept eller afvisning af en AI?
Også: Google siger, ‘eksponentielle vækst af AI er ved at ændre karakter beregne
Det er det spændende spørgsmål, der rejses af en rapport udgivet torsdag, på arXiv, ved at en maskine læring forsker på Virginia Tech, Jia-Bin Huang, med titlen “Dybt Papir Gestalt.”
Huang brugt en convolutional neurale netværk, eller CNN, materiel værktøj for machine learning billede for anerkendelse, for at finkæmme gennem over 5.000 papirer sendt til akademiske konferencer, der går tilbage til 2013. Huang skriver, at der alene på grundlag af udseendet af en papir — sin blanding af tekst og billeder — hans neurale net kan vælge en “god” papir, en, der fortjener at indgå i en konference, med 92% nøjagtighed.
Det store billede, for forskere, er der et par ting, der betyder mest i udseendet og fornemmelsen af deres dokument i form af chancer for at få accepteret: Med farvestrålende billeder på forsiden af et forsknings-papir, og gør at udfylde alle sider, hvilket efterlader et tomt sted i slutningen.
Jia-Bin Huang ‘ s convolutional neurale netværk fordøjer tusindvis af vinde og tabe akademiske afhandlinger om at skabe en “heat map” af styrker og mangler. Største fejltagelser for at miste dokumenter, der ikke har en farverig grafik på side et og ikke at udfylde den sidste side i bunden.
Jia-Bin Huang
Huang baserer arbejdet på en 2010 papir på Carven von Bearnensquash af University of Phoenix. Det papir, der anvendes til ikke-dyb læring, traditionel computer vision metoder til at finde måder at “blot et blik gennem det generelle layout” af et papir.
Også: Facebook AI forsker opfordrer kammerater til at træde ud i den virkelige verden
Det er i den ånd, Huang fed computeren 5,618 papirer i alt, der havde været accepteret, at to øverste computer vision konferencer, CVPR og ICCV, i løbet af fem år. Huang har også samlet papers præsenteret ved konferencen ” – workshops,” at fungere som en proxy for afviste papirer, da der ikke er nogen reel adgang til afviste konference-papers.
Huang uddannet netværket til at knytte vinde og tabe prøver med binære klassificeringen “god” og “dårlig” for at drille de “gestalt” af forskningsartikler. Gestalt betyder en form, eller form, der er større end de enkelte dele. Det er, hvad machine learning pioneer Terry Sejnowski har henvist til som “globalt organiseret opfattelse,” noget mere meningsfyldt end bakker og dale af den umiddelbare terræn.
Den uddannede nettet blev derefter testet mod en delmængde af papirerne, at det aldrig fundet. Uddannelse afbalanceret falske positiver — papirer, som ikke bør accepteres, men bliver accepteret — mod falske negativer, papirer, der skal accepteres, men bliver afvist.
Også: Andrew Ng mener, at det evige forår i AI
Ved at begrænse antallet af “gode” papirer afvist til bare 0,4% — 4 papers i alt — netværk er i stand til præcist at forkaste halvdelen af de “dårlige” artikler, der bør forkastes.
Forfatteren var selv godt nok til at indsende papiret i sig selv til sit eget netværk. Resultatet? Fiasko: “Vi anvender uddannet klassificeringen til dette papir. Vores netværk hensynsløst forudsiger, at der med høj sandsynlighed (over 97%), at dette papir skal afvises uden peer review.”
Skal læse
“AI er meget, meget dum, “siger Google’ s AI-leder (CNET)Baidu skaber Kunlun silicium til AIUnified Google AI division et klart signal om, at AI ‘ s fremtid (TechRepublic)
For så vidt som de kosmetiske krav — nice farverige billeder up-front — Huang ikke bare beskrive resultaterne. Den forsker, der også byder på et særskilt stykke kode, der vil skabe gode papirer, visuelt mindst. Det giver den gode papirer i uddannelse database til en “generativ kontradiktorisk netværk,” eller GAN, der kan skabe nye mål ved at lære af eksempler.
Huang tilbyder også en tredje komponent, som “oversætter” en svigtende papir i form af en succes, ved “automatisk foreslår en række ændringer for input papir” som “tilføjer teaser figur, tilføjer tal på den sidste side.”
Huang tyder på, at behandlingen papirer på denne måde kan være et “før-filter”, der kan lette den byrde af menneskelige vurderinger, da det kan gøre en first-pass gennem tusindvis af papirer i sekunder. Stadig, “det er usandsynligt, at klassificeringen nogensinde vil blive brugt i en aktuel konference,” forfatteren medgiver.
En af begrænsningerne af det arbejde, der kan hæmme dens brug er, at selv hvis udseendet af et papir, dens visuelle gestalt, korrelerer med historiske resultater, der ikke nødvendigvis en sådan sammenhæng er at finde den dybere værdi af papirer.
Som Huang skriver, “at Ignorere den faktiske papir indholdet kan fejlagtigt afviser papirer med gode materialer, men bad visuelle layout eller acceptere crappy papirer med god indretning.”
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede Emner:
Udvikler
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0