本期一周AI看点包括：技术前沿，行业，观点，应用以及投融资等方面
技术前沿
完善强化学习安全性：UCBrkly提出约束型策略优化新算法
强化学习作为深度学习的一个强大分支成就卓然，在电子游戏和仿真机器人等诸多场景中，皆能见其身影；强化学习甚至在阿尔法狗横扫人类围棋世界冠军的对决中发挥了不可替代的作用。但是一块「安全性」的乌云正降临在强化学习之上。有鉴于此，UCBrkly近日在其官方博客上发表了一篇题为《ConstraindPolicyOptimization》的文章，提出了一种提高强化学习安全性的新算法：约束型策略优化（CPO），希望能为强化学习走出实验室，安全可靠地迈向现实世界贡献一份价值。机器之心对原文进行了编译，链接请见文末。
AMD开源高性能机器智能库MIOpn，可加速卷积神经网络
AMD最近宣布新的深度学习加速库MIOpn1.0现已发布，该深度学习库支持加速卷积神经网络，并且构建和运行在ROCm软件栈的顶部。同时MIOpn还提供了卷积层、池化层、批量归一化层等众多使用参考。
NEC新算法加速机器学习，比ApachSpark快50倍
日本电气公司（NEC）声称开发出新的数据处理技术，能够在向量计算机上加速机器学习，速度达到流行的ApachSpark大数据框架的50倍。该公司表示，新技术利用了名为“稀疏矩阵”的数据结构，从而显着提升了机器学习任务上向量计算机的性能。
MITCSAIL最新研究：NtworkDissction可全自动内窥神经网络活动过程
据外媒TchCrunch最新报道，MITCSAIL（麻省理工学院计算机科学与人工智能实验室）发明了一种可以全自动内窥神经网络活动的系统NtworkDissction。通过全自动内窥神经网络做决策的过程可以帮助人们理解为什么神经网络能表现和人工观察一样的效果。
Facbook人工智能游戏测试平台ELF开源了
Facbook人工智能组研究员田渊栋在知乎专栏上表示：这个框架前前后后做了半年左右，核心设计改了挺多次，最后收敛到现在这个版本。ELF的核心思想是“让大家都能做得起深度强化学习的研究”，它给了一个从模拟器到优化算法的一篮子解决方案。通过一些工程上的技巧以降低计算资源的需求，增加程序的可读性，并且提供一个短小精悍的即时战略引擎用来给大家研究。
伯克利AI实验室最新发文：公布用于机器人抓取的DxtrityNtwork(Dx-Nt)2.0数据集
伯克利AI实验室最新发文公布了用于机器人抓取的DxtrityNtwork(Dx-Nt)2.0数据集，这些数据集可以用来训练根据实际机器人的点云做抓取规划的神经网络。DxtrityNtwork（Dx-Nt）2.0是一个以鲁棒机器人抓取的物理模型为核心的项目，通过多达上千种3DCAD物体模型，生成了海量的平口钳抓取数据集。这些数据集可以用来训练根据一个实际机器人的点云做抓取规划的神经网络，这个实体机器人可以拿取、运输各种物体。
中科院自动化所提出不规则卷积神经网络：可动态提升内核效率
近日，自动化所马佳彬、王威、王亮等研究人员在arxiv上预发表了一项研究，提出了一种新形式的卷积神经网络——不规则卷积神经网络，这种新的方法能够解决常规卷积效率低下的问题。
"北航新型人工突触"能模拟人类神经系统基本功能的人工突触诞生
近日ACSNano刊登了一项研究报告，称已开发出能够模拟我们神经系统基本功能的人工突触，能够从同一“突触前”末端释放抑制和刺激信号。这项研究有包括北航材料科学与工程学院研究人员在内的多位华人研究者参与。
斯坦福提出高速视频目标检测系统NoScop：速度超现有CNN上千倍
卷积神经网络在目标检测任务上已经取得了优良的表现，但它们的计算成本比较高、速度比较慢，不适用于大规模的实时视频处理。为了解决这个问题，斯坦福大学的几位研究者提出了一个名叫NoScop的系统，将目标检测的速度提升了数千倍。该研究的相关论文和代码也已发布。
论文地址
推荐文章
热点文章
