機器學習的用途正在迅速擴大。早在2019年，就在探索使用該技術的新視野方面已經進行了大量研究。下面收集的是今年迄今為止在機器學習領域進行的一些最激動人心的研究。

[相關文章：回顧亞馬遜的機器學習大學：值得炒作嗎？]

轉移學習基於視覺的觸覺感測

計算機模擬人類感官能力的能力不均衡; 在五種感官中，觸覺也許是最慢的發展。為了克服這些缺點，研究人員Carmelo Sferrazza和Raffaello D’Andrea 發表了一篇論文標題為「基於視覺的觸覺感測的轉移學習」，其中他們提倡使用「軟光學（或基於視覺的）觸覺感測器」，「結合了低成本，易於製造和最少的布線。」這種模式很大程度上依賴於在計算機視覺上，以訓練觸覺模型並幫助觸覺感測器進行物體識別。他們的專有系統使用了軟凝膠感測器和計算機視覺訓練網路，在這種網路中，他們「通過彈性材料在受力時所經歷的變形，能夠使用攝像頭感知軟表面上的力分布。」

視頻人臉聚類人臉表示的自我監督學習

隨著人臉識別技術近年來的不斷發展，研究人員開始重新考慮這項技術的應用範圍及其應用方式。對於設計用於研究視頻的系統，研究不僅僅是簡單地識別主要人物，而是使用面部知識來分析故事。在他們最近關於這個主題的論文中多倫多大學的一組研究人員指出，「能夠預測哪些角色出現在何時何地，以便在故事情節中建立更深入的視頻理解。」，「用於視頻人臉聚類的面部表徵的自我監督學習」。為此，這些研究人員開發了一種無監督模型，該模型能夠依賴現有數據集（即YoutubeFaces等面部資料庫）和有限數量的訓練來創建高度準確的面部識別模型。這些模型「可以利用基於有序面部距離的動態生成正/負約束，並且不必僅依賴於通常使用的軌道級信息。」對複雜和時間密集型模型訓練的依賴性降低表明潛力更大用於將來的視頻分析。

[相關文章：用機器學習提出正確的問題]

獨立深度生成模型混合的競爭訓練

變分自動編碼器（VAE）和生成對抗網路（GAN）是用於無監督學習的最突出的模型類型，但每個都有明顯的缺點：VAE在饋送自然圖像時難以生成高質量的樣本，而GAN需要大量的訓練。馬克斯普朗克研究所的一個研究小組最近開展的一項研究項目旨在通過利用兩者的優勢來改善每個模型的缺點，採用「一種方法來並行訓練多個模型，這些模型側重於訓練分布的獨立部分「論文」 獨立深度生成模型混合物的競爭訓練，「總結了他們的發現，他們寫道，更直觀地使用模型，或同時使用多種類型，將為模型培訓創造更強大的環境，允許更廣泛的數據使用，並」可以闡明如何動態地進行模型選擇。「

你能相信這個預測嗎？學習後審計逐點可靠性

隨著機器學習更深入地融入日常業務運營中，測試預測模型的可靠性和準確性的願望也增加了。雖然大多數準確度指標都集中在消除培訓過程中的錯誤，但很少有選項來評估活動模型的準確性。為了解決這個問題，約翰霍普金斯大學的Peter Schulam和Suchi Saria教授提交了一種稱為重採樣不確定性估計器（RUE）的審計演算法，該演算法「估計如果模型適合不同的訓練數據，預測將會改變的量」。根據其創建者的說法，這種新演算法的目的是「幫助提高醫學等高風險領域機器學習的應用。」在他們的研究論文中，「你能相信這個預測嗎？審計逐點可靠性學習後，「他們指出，由於這些領域涉及的責任，機器學習必須在採用前後的準確性方面進行衡量。RUE等發展將加速在這些領域採用機器學習。

結論

機器學習已經導致金融和人力資源等領域的瑣事自動化。現在，由於研究旨在使該技術更加可靠，準確和廣泛可用，我們可能會在廣告和醫藥等領域看到更多自動化任務。您認為機器學習革命將在哪裡引領？

原帖在這裡。

閱讀OpenDataScience.com上的更多數據科學文章，包括從初級到高級的教程和指南！訂閱我們的每周時事通訊，每周四收到最新消息。

本文轉自medium，原文地址