亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

在我的第一本書《可解釋的機器學習》中，我忽視了 SHAP 的包含。我進行了一項 Twitter 調查，以確定解釋機器學習模型最常用的方法。選項包括 LIME、排列特征重要性、部分依賴圖和“其他”。SHAP 不是一個選項。令我驚訝的是，大多數受訪者選擇了“其他”，并且有很多評論強調 SHAP 的缺失。雖然我那時已經知道 SHAP，但我低估了它在機器學習可解釋性中的受歡迎程度。這種受歡迎是一把雙刃劍。我的博士研究圍繞部分依賴圖和排列特征重要性展開。在多次提交會議論文時，我們被建議將重點放在 SHAP 或 LIME 上。這個建議是錯誤的，因為我們應該為所有解釋方法取得進展，而不僅僅是 SHAP，但這凸顯了 SHAP 的受歡迎程度。SHAP 受到了相當一部分的批評：計算成本高，難以解釋，被過分吹捧。我同意這些批評的一部分。在可解釋的機器學習領域，沒有完美的方法；我們必須學會在限制之內工作，這本書也講解了這一點。然而，SHAP 在很多方面都表現出色：它可以適用于任何模型，它在構建全局解釋時是模塊化的，它有一個龐大的 SHAP 適應生態系統。正如你所見，我對 SHAP 的態度是混合的，既有欽佩也有挫敗感——也許這是一個平衡的立場，用于寫作 SHAP。我無意過分吹捧它，但我相信它是一個值得理解的有益工具。機器學習模型是強大的工具，但其缺乏可解釋性是一個挑戰。通常不清楚為什么做出了某個預測，什么是最重要的特征，以及這些特征如何總體影響預測。許多人認為，只要機器學習模型表現良好，可解釋性就是不必要的。然而，從調試到建立模型信任，有很多實際的原因需要可解釋性。

自ChatGPT、Bard、Claude、Midjourney以及其他內 容生成工具問世以來，人們對生成式AI抱有很高期 待。各企業CEO自然也在思考：這究竟是科技炒作， 還是顛覆行業格局的機遇？如果是后者，那生成式 AI能給自身業務帶來什么價值？ ChatGPT的大眾版僅兩個月就吸引到1億用戶。它以 史無前例的方式推動了AI的普及，已成為迄今增長 最快的應用程序。無與倫比的易用性讓生成式AI有 別于以往所有AI技術。用戶不需要專修機器學習就 可以開展交互、獲取價值——只要會提問，幾乎人 人都能用。就像個人電腦或iPhone等其他突破性技 術一樣，一款生成式AI平臺可以衍生出許多應用程 序，適用于各個年齡段和教育水平的用戶群體，人 們無論身處何地，能夠上網即可使用。 而實現這一切，依靠的是驅動生成式AI聊天機器人 的基礎大模型，它們是經由大量非結構化、無標簽 數據（如文本、音頻等各類形式）訓練的龐大神經 網絡。基礎大模型可處理各種各樣的任務。相比之 下，以往的AI模型通常適用范圍更“窄”，往往只能執 行一項任務，如預測客戶流失率等。而一個基礎大 模型則既能為一份2萬字的量子計算技術報告生成 內容摘要，又能為園藝公司起草市場進入策略，還 能根據冰箱里的10種食材給出5張不同的食譜。不 過，在其豐富功能的背后，目前還存在結果不夠準 確的短板，這也讓人們再度關注起AI的風險管理 問題。 在監管得當的情況下，生成式AI不僅可以為企業開 辟新用例，還可以加速、擴展或改進現有用例。以 電銷場景為例，經過專門訓練的AI模型可以幫助銷 售人員發現追加銷售機會，但截至目前，這些模型 通常還只能根據通話前收集的人口統計信息和購買 規律等靜態客戶數據來判斷追加銷售的可能性。生 成式AI工具則可根據實際對話內容，利用內部客戶 數據、外部市場趨勢和社交媒體影響者數據，實時 為銷售人員提供追加銷售建議。同時，生成式AI還 可以為銷售人員撰寫銷售話稿，供其根據具體情況 進行調整。 上述例子只展示了AI技術對人類工作潛在影響的一 個側面，而實際上，幾乎所有知識工作者都有可能 因使用生成式AI而獲益。盡管生成式AI最終可能會 讓部分工作自動化，但其價值將更多來自于被嵌入 日常工具（如電子郵件或文字處理軟件）后知識工 作者對它的使用。這類升級后的工具可以大幅提高 生產力。 CEO們想知道是否應立即采取行動，以及如果采 取行動，該從何開始。有些人可能從中看到了機遇， 希望通過重塑人與生成式AI應用程序協同工作的 方式，在競爭中彎道超車。其他人則可能希望謹慎 行事，在進行大規模投資之前先嘗試幾個用例，增 進對生成式AI的理解。企業也需要評估自身是否具 備必要的技術專識、技術及數據架構、運營模式以 及風險管理流程，這些是更進一步部署生成式AI 時所需要的。 本文旨在幫助CEO及其團隊思考生成式AI的價值創 造場景以及如何開始應用。首先，我們總結了生成 式AI的入門指南，以幫助CEO更好了解AI日新月異的 發展現狀和可行技術選擇。第二部分將通過4個旨 在提高組織效能的案例，探討企業如何應用生成式 AI。這些案例來自我們對早期采用者的觀察，并介 紹了在技術、成本和運營模式要求等方面的各種選 擇。最后，我們將探討CEO如何發揮關鍵作用，利 用生成式AI帶領企業走向成功。 人們對生成式AI的期待顯而易見，企業高管自然希 望借此東風運籌帷幄，有計劃地快速推進。我們希 望本文能讓商業領袖更全面了解生成式AI未來潛力。

隨著不同形式的世界模型的出現，“知識感知”學習正在成為語言學習的一個重要研究領域。?OOD泛化、ML安全性和數據效率是全面評估我們在ML管道中利用這些預先訓練模型的效果的關鍵軸。?當使用不同的“先驗”時，我們需要新的理論工具來精確地描述這些軸之間的權衡。?知識是“不完整的”——用我們的經驗適當地增強世界模型對實現閉環系統至關重要。?不確定性估計和模型可靠性描述是模型設計和優化的一個組成部分。

現代人工智能(AI)為制造智能機器人創造了令人興奮的新機會。特別是，基于梯度的學習架構(深度神經網絡)在感知、推理和行動方面極大地提高了對3D場景的理解。然而，這些進步已經破壞了過去幾十年發展起來的許多“經典”技術。我們假設，“經典”和“學習”方法的混合是開發靈活、可解釋和可操作的世界模型的最有希望的途徑: 智能具身智能體的必要性。

“結合經典技術和基于梯度的學習架構來豐富理解3D世界的理想方式是什么?”是本文的中心問題。這種理解使得大量的應用程序能夠從根本上影響具身智能體如何感知和與其環境交互。這篇論文被稱為“可微世界程序”，將多個密切相關但目前互不相關的領域的研究成果統一起來，包括機器人、計算機視覺、計算機圖形學和人工智能。

我們的第一個貢獻—gradslam—是一個完全可微的密集同時定位和映射(SLAM)系統。通過非線性最小二乘優化、光線投射、視覺測程和密集映射等不可微組件實現梯度計算，gradSLAM為集成經典3D重建和深度學習開辟了新途徑。

我們的第二個貢獻——任務圖——提出了將大型3D場景編碼為3D場景圖的任務條件稀疏化。這使得經典的規劃者能夠通過集中計算與任務相關的場景屬性來匹配(并超越)最先進的基于學習的規劃者。

我們的第三個也是最后一個貢獻—gradsim—是一個完全可微分的模擬器，它由可微分的物理和圖形引擎組成，可以僅從視頻或靜態圖像進行物理參數估計和視覺運動控制。

//krrish94.github.io/

第一章 引言

在北約內部和成員國使用建模和仿真 (M&S) 對支持國防訓練、能力發展、任務演練和采購過程中的決策支持提出了越來越高的要求 [1]。因此，M&S 是聯盟及其國家的一項重要能力。然而，當前的 M&S 系統對高度動態的軍事作戰環境的代表性有限，其中物理環境的狀態會影響部隊的行為（例如，天氣對地面車輛機動性的影響）以及軍事物理（動能）行為會影響環境狀況（例如，彈藥對建筑物、基礎設施等的破壞）。目前在仿真系統中實現動態元素時，它們通常以定制和預先編寫好的方式執行，這限制了仿真互操作性的能力和范圍。

圖 1-1：任務期間遭遇的動態環境

?2016 年，北約 MSG 探索小組 ET-045“分布式仿真的動態合成自然環境”成立，以調查分布式仿真中相關動態合成環境的主題是否需要進一步研究。這確定了實現相關動態地形的主要挑戰 [2]。結論是存在許多與相關動態合成環境 (DSE) 相關的未解決問題，這些問題將限制未來北約分布式仿真的可用性。這些問題中的大多數都屬于技術性質，包括沒有開放標準或未經過驗證的方法來實現跨分布式 M&S整合天氣、天氣影響和物理（動力）戰爭對環境的影響。為響應 ET-045 的調查結果，一項為期 3 年的任務組 (TG) 技術活動提案 (TAP) 已提交給 2017 年春季的北約 MSG 商務會議，即MSG-156，于 2017 年 9 月開始。

1.1 定義

本報告包含由 ET-045 定義的幾個常用術語，即：

? 合成環境 (SE) 是代表物理世界的元素集合，系統的（模擬）模型在其中存在并相互作用（即地形、天氣、海洋、空間）。它包括表示環境的元素、它們對系統的影響，以及系統對環境變量影響的模型數據。

? 動態合成環境(DSE) 是一種在模擬過程中元素可以改變的SE，例如雨水對地形表面的影響。這可能是由于環境內的交互（例如，影響地形條件的天氣）、來自模擬實體的交互（例如，武器效果或單位挖掘）或由于外部交互（例如，教練驅動的變化）。

ET-045 和 MSG-156 并不認為 SNE 一詞涵蓋了 SE 中的所有環境方面，因為還存在需要表示的非自然元素。因此，MSG-156 TG 決定在本報告中采用 SE。在此之后，TG 已經意識到，在下一版 AMSP-01 [3] 中，SNE 一詞將被合成物理環境 (SPE) 取代，這樣可以更好地捕捉范圍。由于 MSG-156 已經使用 SE 一詞撰寫了幾篇出版物和大部分報告，因此決定在本報告中繼續使用 SE。

圖 3-9：DSE 的概念解決方案架構

1.2 目標

MSG-156 任務組 (TG) 的目標定義為：

1. 定義最佳實踐、所需方法、技術，并為在未來分布式仿真練習中實現相關動態 SE 所需的標準提供信息；

2. 通過概念實驗，評估方法和技術。

1.3 工作計劃

為實現上述目標，MSG-156 定義了一個工作計劃，其中包括以下活動（見圖 1-2）：

圖1-2：MSG-156工作計劃

a. 識別DSE要求：確定分布式仿真中 DSE 的功能要求，包括現實世界操作的哪些方面對于在仿真中表示至關重要；這將在第 2 章中討論。

b．調查現有解決方案：了解 DSE 的當前最先進技術，以確定需要解決的差距以實現相關 DSE；這將在第 2 章中進一步討論。

c．定義用例：確定相關的操作場景，作為評估支持 DSE 架構的方法和技術的基礎；這些用例將在第 3 章中進一步討論。

d. 定義解決方案概念：定義解決方案概念以在分布式仿真中實現相關 DSE。第 3 章介紹了一些相關動態效果的選定用例和概念圖，例如可通行性，小組將其用作開發解決方案概念的架構基礎。第 4 章和第 5 章更詳細地介紹了該小組討論的兩個主要主題，即動態地形和動態天氣，涵蓋相關的動態效果、數據源和現有標準。第 6 章將所有這些發現結合到 MSG-156 提出的 DSE 解決方案架構中。

e. 概念論證：對解決方案概念進行（部分）實施，使其可行性得到論證，并吸取實踐經驗，以及解決方案概念是否有效并滿足確定的要求，以及哪些領域需要進一步研究。第 7 章將更詳細地討論概念演示。

f. 撰寫技術報告：最后一項活動是撰寫這份報告，并將所有經驗教訓結合起來，為 M&S 社區提供實現相關 DSE 的建議；這包括確定合適的技術和方法，并就應制定的標準提出建議。

圖 3-5：地形和天氣對車輛通行性影響的概念模型圖

圖 3-6：由于武器效應引起的地形和物體變形的概念模型圖

圖 3-7：受天氣影響的飛行器飛行動力學概念建模圖

圖 3-8：受天氣影響的傳感器性能的概念建模圖

圖 8-1：動態綜合環境架構

執行總結

建模和仿真 (M&S) 的使用是北約聯盟及其伙伴國家在國防聯合、集體和聯盟訓練、能力發展、任務規劃和戰備以及決策支持方面的一項重要能力。防御作戰環境是高度動態的，其中物理環境狀態會影響部隊行為（例如，天氣對地面車輛機動性的影響），而物理（動力）作戰行為會影響環境狀態（例如，彈藥損壞建筑物、基礎設施等）。目前 M&S 的實踐、標準和技術主要是基于公共環境數據集和重復使用環境數據庫，在分布式仿真中實現外部世界環境的靜態表示。在當前仿真系統中表示動態元素的情況下，它們通常以預先編寫好的方式實現，并且特定于給定系統。這限制了分布式異構仿真系統的互操作性的能力和范圍，并影響了 M&S 在聯合訓練等應用中的使用，這需要對作戰環境進行通用和一致的表示，以確保公平的戰斗條件。

MSG-156 始于 2017 年，作為一個為期 3 年的任務組 (TG)，旨在解決代表 M&S 系統中現實世界操作環境挑戰的需求與現有技術能力之間的差距，目的是研究如何將相關聯的動態合成環境 (DSE) 可以在未來的分布式模擬中表示。 TG 由來自北約伙伴國政府、研究機構和行業的主題專家 (SME) 組成，包括模擬和合成環境 (SE) 的開發者（提供者）和消費者（用戶）。

MSG-156 TG 開展的研究活動將為北約 M&S 總體規劃的主要目標之一提供信息，即“為仿真應用和支持材料開發一個北約標準互操作性架構”。

在調查了仿真系統中動態環境的現有功能，并調查了仿真和娛樂游戲中最先進的技術和算法之后，TG 開發了基于用例的概念建模圖，以確定 DSE 環境中所需的關鍵交互。建模和仿真即服務 (MSaaS) 概念構成了 DSE 概念解決方案架構的基礎。TG 研究了動態地形和真實天氣的細節，以將概念方法改進為詳細的解決方案架構，允許跨異構分布式模擬系統一致表示動態合成環境。

該解決方案架構的關鍵概念是共同服務負責在模擬練習中管理和分發環境數據。這意味著 M&S 聯盟將使用 Terrain Service 來獲取有關地形的信息，并使用 Wea??ther Service 來獲取有關天氣的信息。通過讓一項服務負責管理這些數據，可以緩解許多相關問題。此外，當對操作環境的合成表示進行動態更改時，特定的專業服務負責執行修改，從而消除在每個單獨系統中本地實施此類修改時可能出現的相關問題。這些數據修改服務將其更改傳達給地形服務，允許所有聯邦成員從那里訪問更新的數據。

隨著 DSE 概念架構的開發，MSG-156 進行了概念驗證演示，使用該體系結構部署、集成和執行了聯邦模擬和服務，這些模擬和服務由參與國使用不同行業合作伙伴提供的工具和產品進行。盡管可用的聯邦模擬和服務的數量有限，但演示證明了解決方案架構是可行的，并且這種架構將有助于確保可以在分布式模擬中以一致的方式進行動態更改和表示。概念演示還有助于確定架構的哪些方面需要進一步研究以達到技術準備水平 (TRL) 以支持操作模擬練習。

由于時間和規模的限制，在提議的基于 MSaaS 的 DSE 架構中使用的技術目前還沒有被證明足夠成熟以實施到操作模擬系統中。因此，任務組建議應該進行更大規模的實驗，以評估解決方案架構在更真實的測試用例中服務受到壓力的環境中的執行情況。

DSE 架構依賴于不同服務之間的標準化接口。盡管其中一些接口已經成熟，例如用于分發地理信息的 OGC 接口，但作為未來開放標準的一部分，還需要考慮進一步開發其他接口。此外，應探索新格式的選項，以共享 3D 內容，支持將 3D 模型內容分發和流式傳輸到仿真系統，或在仿真執行期間對 3D 模型內容進行動態更改。

事實證明，獲取真實世界的天氣數據對 TG 來說是一個挑戰。無法免費獲得所需的更高分辨率數據，國家 MOD 和氣象局之間的現有合同不包括為研究項目提供此類數據。如果未來的模擬演習需要天氣數據，則需要將這一要求包含在現有的國家合同中，或者最好讓北約為所有參與者提供對此類數據的訪問。

建議將 MSG-156 的輸出提交給新的 SISO 研究組 (SG)，以評估和確定如何解決 DSE 的特定方面。這應包括審查現有的 SISO“環境數據和流程的重用和互操作 (RIEDP)”產品開發組 (PDG) 活動和“基于云的 M&S”(CBMS)，因為這些可能已經涵蓋了一些所需的標準。 MSG-156 的輸出還應用于為作為 NATO MSG-193 專家組“聯邦任務網絡 (FMN) 中的建模和模擬標準”的一部分開展的活動提供信息。

最后，建議北約和/或成員國應考慮提供和托管 DSE 所需的關鍵服務。提供地形服務、氣象服務和各種修改服務將顯著減輕建立由 DSE 支持的未來分布式模擬練習的負擔。

?年前，在?公司和初創公司中，并沒有?量的深度學習科學家開發智能產品和服務。我們中年輕?（作者） 進?這個領域時，機器學習并沒有在報紙上獲得頭條新聞。我們的??根本不知道什么是機器學習，更不? 說為什么我們可能更喜歡機器學習，而不是從事醫學或法律職業。機器學習是??具有前瞻性的學科，在現 實世界的應?范圍很窄。而那些應?，例如語?識別和計算機視覺，需要?量的領域知識，以?于它們通常 被認為是完全獨?的領域，而機器學習對于這些領域來說只是?個小組件。因此，神經?絡——我們在本書 中關注的深度學習模型的前?，被認為是過時的?具。就在過去的五年?，深度學習給世界帶來了驚喜，推動了計算機視覺、?然語?處理、?動語?識別、強化 學習和統計建模等領域的快速發展。有了這些進步，我們現在可以制造?以往任何時候都更?主的汽?（不 過可能沒有?些公司試圖讓你相信的那么?主），可以?動起草普通郵件的智能回復系統，幫助?們從令? 壓抑的?收件箱中挖掘出來。在圍棋等棋類游戲中，軟件超越了世界上最優秀的?，這曾被認為是??年后 的事。這些?具已經對?業和社會產?了越來越?泛的影響，改變了電影的制作?式、疾病的診斷?式，并 在基礎科學中扮演著越來越重要的??——從天體物理學到?物學。

經典的機器學習隱含地假設訓練數據的標簽是從一個干凈的分布中采樣的，這對于真實的場景來說限制太大了。然而，基于統計學習的方法可能不能很好地訓練深度學習模型。因此，迫切需要設計標簽噪聲表示學習(LNRL)方法對帶噪聲標簽的深度模型進行魯棒訓練。為了充分了解LNRL，我們進行了綜述。我們首先從機器學習的角度闡明LNRL的形式化定義。然后，通過學習理論和實證研究的視角，找出了噪聲標簽影響深度模型性能的原因。在此基礎上，我們將不同的LNRL方法分為三個方向。在這個統一的分類法下，我們將全面討論不同類別的優缺點。更重要的是，我們總結了魯棒的LNRL的基本組件，它們可以激勵新的方向。最后，我們提出了LNRL可能的研究方向，如新數據集、實例依賴的LNRL和對抗性LNRL。最后，我們展望了LNRL之外的潛在方向，比如使用特征噪聲、偏好噪聲、領域噪聲、相似性噪聲、圖形噪聲和演示噪聲進行學習。

//arxiv.org/abs/2011.04406

標簽噪聲表示學習在學術界和工業界都非常重要。背后有兩個原因。首先，從學習范式的本質來看，深度監督學習需要大量的有良好標簽的數據，這可能需要太多的成本，尤其是對于許多初創企業來說。然而，深度無監督學習(甚至是自我監督學習)還不夠成熟，無法在復雜的現實場景中很好地發揮作用。因此，作為深度弱監督學習，標簽噪聲表示學習自然受到了廣泛的關注并成為研究的熱點。其次，從數據方面來看，許多真實的場景缺乏純粹干凈的注釋，比如金融數據、web數據和生物醫學數據。這直接激發了研究人員探索標簽噪聲表示學習。

據我們所知，確實有三篇關于標簽噪聲的綜述的工作。Frenay和Verleysen[8]專注于討論標簽噪聲統計學習，而不是標簽噪聲表示學習。盡管Algan等人[9]和Karimi等人[10]。它們都專注于帶噪聲標簽的深度學習，都只考慮圖像(或醫學圖像)的分類任務。此外，他們的調查是從應用的角度寫的，而不是討論方法。為了彌補這些缺陷，我們希望對標簽噪聲表示學習領域做出如下貢獻。

• 從機器學習的角度，我們給出了標簽噪聲表示學習(LNRL)的正式定義。這個定義不僅足夠通用，可以包含所有現有的LNRL，而且也足夠具體，可以闡明LNRL的目標是什么以及我們如何解決它。

• 與[9]、[10]相比，通過學習理論的視角，我們更深入地理解了為什么噪聲標簽會影響深度模型的性能。同時，我們報告了在噪聲標簽下的深度模型的泛化，這與我們的理論發現是一致的。

• 我們進行了大量的文獻綜述，從表示學習開始，并在一個統一的分類，在數據，目標和優化。分析了不同類別的利弊。我們還對每個類別的見解進行了總結。

• 基于上述觀察，我們總結和討論了魯棒標簽噪聲表示學習的基本組成部分。這些可以幫助啟發標簽噪聲表示學習的新方向。

• 除了標簽噪聲表示學習，我們提出了幾個有前途的未來方向，如學習噪聲特征、偏好、領域、相似性、圖和演示。我們希望他們能提供一些見解。

簡介： “知識神經元網絡”KNN（Knowledge neural network）是一種以“神經元網絡”模型 為基礎的知識組織方法。在現實中，“知識”通常是用文字進行敘述，知識蘊藏在自然語言敘述的內容和邏輯關系中。即便是抽象的數學知識，雖然采用數學符號語言進行定義和推導，但仍然離不開自然語言進行說明，否則很難被人理解。 在“知識神經元網絡”KNN 中，所謂的“知識”，是描述一個“知識”的文本，如一個網頁、Word、PDF 文檔等。可從多維度（或僅一個）來描述“知識”。如，對一個疾病知識的描述，可有：癥狀、發病原因、檢查手段、治療方法等。 建立 KNN，首先將文本信息（網頁、word、pdf 等）進行“知識化”處理，形成半結構化的“知識記錄” ；然后，對“知識”進行相關性計算，使相關的“知識”建立連接，將雜亂無章、零星、無序的“知識” ，按相關性進行聚類，形成相互聯通的“知識神經元網絡”。

“知識神經元網絡”KNN 的五個重要組成部分：

（1）“知識神經元”KN；

（2）“知識神經元連接”KNS；

（3）“知識神經元網絡”KNN；

（4）“知識神經元網絡橋”KNNB；

（5）“知識神經元網絡系統”KNNS。