端到端的AutoML在Kaggle Days上處理表格數據

谷歌研究人員最近將一種基于學習的方法應用于表格數據，創(chuàng)建了一種可擴展的端到端AutoML技術。AutoML符合三個關鍵標準，包括：

完全自動化：不需要人工干預。輸入包括數據和計算資源，輸出是一個可服務的TensorFlow模型

廣泛的覆蓋范圍：適用于許多表格數據域的任意任務

高質量：模型由AutoML生成，質量堪比由ML專家創(chuàng)建的人工模型

AutoML首次參與由74個團隊組成的KaggleDays SF Hackathon。該挑戰(zhàn)主要關于預測制造缺陷，目標是提供有關材料性能的信息和批量汽車零部件的測試結果。盡管他們必須與Kaggle master級別的參與者競爭，但谷歌AutoML團隊最后仍名列第二。

AutoML在表格數據問題中的應用是非常令人興奮的。AutoML可以實現能夠解決表格數據問題的最先進模型。它可以幫助ML社區(qū)解決大量的問題——欺詐檢測、庫存預測，在商業(yè)零售、供應鏈管理、金融、制造、鉛轉換等等等。谷歌的目標是使ML更具可伸縮性，并加快研究和行業(yè)應用程序。

實現魯棒的Winograd模式挑戰(zhàn)結果的訣竅

研究人員最近證明，對WSCR上現有的LMs進行調參有助于提高LM處理WSC273和WNLI的能力。他們介紹了一種生成大規(guī)模WSC樣本的方法，并用它從英文維基百科創(chuàng)建了一個1100萬的數據集。該方法還與WSCR一起用于對預先訓練的BERT LM進行調參。對WSC273和WNLI的準確率分別達到72.2%和71.9%，較之前的最優(yōu)水平分別提高了8.5%和6.8%。

由于WSC示例是為了展現像人一樣的常識和推理而開發(fā)的，因此該任務非常具有挑戰(zhàn)性。在WSC比賽中，兩輪取得90%準確率的參賽者可獲25,000元大獎。此前最著名的解決方案使用了深度學習，準確率為63.7%。

本研究工作是第一個突破WNLI多數基線的模型。通過對WSCR數據集上的BERT語言模型進行微調，實現了對WSC和WNLI數據集的改進。它具有幫助未來Winograd模式挑戰(zhàn)參與者提高WSC和WNLI準確性的潛力。

通過仿真，探索和總結建立自動方程式SAE賽車的經驗教訓

上周晚些時候，一組研究人員公布了他們在開發(fā)模擬自動駕駛算法時的所有探索和經驗教訓，然后將其部署到一輛真實的汽車上。他們的工作特別集中在方程式賽車的學生無人駕駛競賽上。在這項比賽中，方程式賽車是由學生設計并制造的，然后它們要穿過由交通標記的看不見的賽道。

論文主要貢獻:

端到端設計和部署一個自治堆棧，可以基于AirSim駕駛一個自定義方程式SAE。

獨特的擴增，顯著改善記錄過程和訓練模型

模擬訓練系統(tǒng)如何在真實的環(huán)境中部署的詳細介紹。

對真實應用中的人工智能，仿真是一項關鍵技術。在自動駕駛汽車上路之前，對其進行虛擬驗證尤為必要。對于該領域的研究人員來說，安全性非常重要。本文在各種模擬場景中發(fā)揮了巨大的作用，以幫助未來的自動化軟件達到更高的標準。

微軟推出開源跨平臺的機器學習框架

微軟最近推出了ML.NET，這是一個用于構建自定義機器學習庫解決方案的框架。開發(fā)ML.NET是為了讓開發(fā)人員能夠使用ML框架編寫、測試和部署ML。它當前的實現包括2773K行c#代碼和大約74K行c++代碼，這些代碼能夠支持高性能的機器學習應用。ML.NET還支持80多個特征設定器和40個機器學習模型。

開發(fā)人員可以訓練ML模型或使用第三方現有模型，并在任何脫機環(huán)境中運行，這意味著他們不需要有數據科學背景（知識）就可以使用該框架。

ML.NET是為了響應微軟數據科學家的眾多需求和見解而開發(fā)的，這些數據科學家將使用它來開發(fā)全球數百萬人使用的服務和產品。

作為一個免費的庫，ML.NET將大型軟件應用程序中的ML模型應用變得更加容易。該框架以一種易于使用的方式實現，即在大型數據集上提供可拓展性的同時，還有較高的性能和在單個API數據轉換下進行統(tǒng)一的能力。

隨著ML快速發(fā)展成為現代應用程序開發(fā)的核心元素，ML.NET將幫助開發(fā)人員將ML引入相同的技術堆棧，以便更有效地編寫和共享ML機制。

利用主動不確定性降低(AUR)增強機器人和控制RL

對于機器人與控制，控制器的性能和穩(wěn)定性與模擬器的仿真度有關。在此背景下，一組研究人員介紹了一種利用系統(tǒng)動力學的仿真和不確定性量化的方法，能夠以一種有效的方式來學習控制器。

他們的方法是從一個在線階段開始的，該階段會評估一些用數據生成的仿真。利用訓練數據和高斯過程(GPs)估計了系統(tǒng)的轉變動力學和獎勵函數。

然后，通過自適應采樣，該方法使用一種有原則的方式對低保真度模型進行增強。在離線模式下，該方法則利用強化學習、近端策略優(yōu)化（PPO）等無模型方法，提高了模型保真度以及優(yōu)化了控制器策略。

本文結合了基于模型和無模型方法的優(yōu)點，實現了穩(wěn)定控制器的開發(fā)，提高了機器人以及控制器的有效數據。現實世界中的機器人制造成本高昂。這種研究工作有助于簡化過程，并為復雜的系統(tǒng)動力學提供了更好的建模能力。