机器学习的用途正在迅速扩大。早在2019年，就在探索使用该技术的新视野方面已经进行了大量研究。下面收集的是今年迄今为止在机器学习领域进行的一些最激动人心的研究。
转移学习基于视觉的触觉传感
计算机模拟人类感官能力的能力不均衡; 在五种感官中，触觉也许是最慢的发展。为了克服这些缺点，研究人员Carmelo Sferrazza和Raffaello D’Andrea 发表了一篇论文标题为“基于视觉的触觉传感的转移学习”，其中他们提倡使用“软光学（或基于视觉的）触觉传感器”，“结合了低成本，易于制造和最少的布线。”这种模式很大程度上依赖于在计算机视觉上，以训练触觉模型并帮助触觉传感器进行物体识别。他们的专有系统使用了软凝胶传感器和计算机视觉训练网络，在这种网络中，他们“通过弹性材料在受力时所经历的变形，能够使用摄像头感知软表面上的力分布。”
视频人脸聚类人脸表示的自我监督学习
随着人脸识别技术近年来的不断发展，研究人员开始重新考虑这项技术的应用范围及其应用方式。对于设计用于研究视频的系统，研究不仅仅是简单地识别主要人物，而是使用面部知识来分析故事。在他们最近关于这个主题的论文中多伦多大学的一组研究人员指出，“能够预测哪些角色出现在何时何地，以便在故事情节中建立更深入的视频理解。”，“用于视频人脸聚类的面部表征的自我监督学习”。为此，这些研究人员开发了一种无监督模型，该模型能够依赖现有数据集（即YoutubeFaces等面部数据库）和有限数量的训练来创建高度准确的面部识别模型。这些模型“可以利用基于有序面部距离的动态生成正/负约束，并且不必仅依赖于通常使用的轨道级信息。”对复杂和时间密集型模型训练的依赖性降低表明潜力更大用于将来的视频分析。
独立深度生成模型混合的竞争训练
变分自动编码器（VAE）和生成对抗网络（GAN）是用于无监督学习的最突出的模型类型，但每个都有明显的缺点：VAE在馈送自然图像时难以生成高质量的样本，而GAN需要大量的训练。马克斯普朗克研究所的一个研究小组最近开展的一项研究项目旨在通过利用两者的优势来改善每个模型的缺点，采用“一种方法来并行训练多个模型，这些模型侧重于训练分布的独立部分“论文” 独立深度生成模型混合物的竞争训练，“总结了他们的发现，他们写道，更直观地使用模型，或同时使用多种类型，将为模型培训创造更强大的环境，允许更广泛的数据使用，并”可以阐明如何动态地进行模型选择。“
你能相信这个预测吗？学习后审计逐点可靠性
随着机器学习更深入地融入日常业务运营中，测试预测模型的可靠性和准确性的愿望也增加了。虽然大多数准确度指标都集中在消除培训过程中的错误，但很少有选项来评估活动模型的准确性。为了解决这个问题，约翰霍普金斯大学的Peter Schulam和Suchi Saria教授提交了一种称为重采样不确定性估计器（RUE）的审计算法，该算法“估计如果模型适合不同的训练数据，预测将会改变的量”。根据其创建者的说法，这种新算法的目的是“帮助提高医学等高风险领域机器学习的应用。”在他们的研究论文中，“你能相信这个预测吗？审计逐点可靠性学习后，“他们指出，由于这些领域涉及的责任，机器学习必须在采用前后的准确性方面进行衡量。RUE等发展将加速在这些领域采用机器学习。
结论
机器学习已经导致金融和人力资源等领域的琐事自动化。现在，由于研究旨在使该技术更加可靠，准确和广泛可用，我们可能会在广告和医药等领域看到更多自动化任务。您认为机器学习革命将在哪里引领？
阅读OpenDataScience.com上的更多数据科学文章，包括从初级到高级的教程和指南！订阅我们的每周时事通讯，每周四收到最新消息。
本文转自medium，原文地址