大数据文摘出品编译：云舟

呜啦啦啦啦啦啦啦大家好，原AI Scholar Weekly改版，融合AI时事新闻内容再度来袭！ AI大事件是AI领域的综合性专栏，致力于为你带来最新潮、最全面、最深度的AI行业概览，从硬核的学术内容到精品产业新闻，为你一网打尽每周AI的前沿资讯。 做AI行业的终身学习者，每周一篇就够啦！

 

本周关键词：IBM收购、讽刺检测、科技行业女性

AI新闻

机器学习是如何改变药物发现的

作为AI行业的老兵，Daphne Koller解释了为什么她会离开学术界去寻求改变制药行业的机会。 详情：https://hai.stanford.edu/blog/how-machine-learning-transforming-drug-discovery?utm_campaign=Artificial%2BIntelligence%2BWeekly&utm_medium=web&utm_source=Artificial_Intelligence_Weekly_188                

IBM收购Instana

IBM很快将会收购Instana，这是一个应用程序性能监控平台，这一平台使用AI驱动的应用程序来观测性能问题。 详情：https://venturebeat.com/2020/11/18/ibm-acquires-instana-for-its-ai-powered-app-performance-monitoring/?utm_campaign=AI%20Weekly&utm_medium=email&utm_source=Revue%20newsletter                

表现优异的讽刺检测模型

当使用Twitter的文本和图像数据集预测讽刺时，该模型达到了最先进的性能。 详情：https://venturebeat.com/2020/11/18/ai-researchers-made-a-sarcasm-detection-model-and-its-soo-impressive/?utm_campaign=AI%20Weekly&utm_medium=email&utm_source=Revue%20newsletter                

为什么女性在数据科学领域会越来越少？

这篇文章不仅指出并探讨了科技行业缺少女性的现象，还提出了可能的解决方案，也许可以在未来几年内使得竞争更加公平。 详情：https://towardsdatascience.com/why-arent-there-more-women-in- width="415.3px" />       AI学术

一种交互式操作人像头发并生成图像的方法

尽管GANs最近成功地生成了人脸图像，但根据条件编辑头发仍然是一个十分有挑战性的任务，因为它的几何结构和外观的复杂性尚未得到充分的研究。 这篇最近发表的论文介绍了MichiGAN（Multi-Input-Conditioned Hair Image GAN），一种新的条件图像生成方法，用于交互式操作人像头发。 研究人员将头发分为四个正交属性——形状、结构、外观和背景——使得用户可以对每个重要的头发视觉因素进行控制。对于每个属性，他们设计了一个相应的条件模块来表示、处理和转换用户输入，并在尊重不同视觉属性特性的前提下调节图像生成管道。所有这些条件模块最后与主干生成器集成，形成最终的端到端网络，允许从多个用户输入生成具有完整条件的头发。此外，他们还构建了一个交互式的肖像头发编辑系统，通过将直观和高级的用户输入（如绘制的面具、引导笔划或参考照片）投影到定义良好的条件表示中，实现对头发的直接操作。通过大量的实验和评价，该方法在结果质量和用户可控性方面都显示出了较高的优越性。 GitHub：https://github.com/tzt101/MichiGAN?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter 原文：

https://arxiv.org/pdf/2010.16417.pdf?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter

 

超级计算机的训练效率：一小时内达到ImageNet Top-1 83%准确率

随着ML模型变得越来越大，对计算能力的需求也越来越大。 大型的专用硬件加速器集群，如gpu和tpu，目前可以提供PB级的计算，从而使研究人员能够显著减少训练时间。例如，通常使用的ResNet-50图像分类模型可以在ImageNet上以2048个TPU内核在67秒内进行训练，这与典型的训练时间（以小时为单位）相比有了实质性的改进。为了加速使用petascale计算的ML模型的训练，大规模学习技术和专门的系统优化是十分必要的。 在这篇论文中，研究人员与Google Research、加州大学伯克利分校和新加坡国立大学合作，探索了在具有2048个核的TPU-v3 Pod上提升EfficientNets训练效率的技术。 EfficientNets是一类基于高效尺度卷积神经网络的图像分类模型。目前，EfficientNets可以在日级别的时间内完成训练；例如，在Cloud TPU v2-8节点上训练EfficientNet-B0模型需要23小时。 这项工作讨论了在1024个TPU-v3内核上将训练规模扩展到65536个批次所需的优化，例如选择大型批量优化器和学习速率调度以及使用分布式评估批处理规范化技术。此外，本研究提出了在ImageNet数据集上训练的EfficientNet模型的时序和性能基准，以分析EfficientNets的规模行为。通过这些优化，研究人员能够在ImageNet上训练EfficientNet，并在在1小时4分钟内达到83%的准确率。 原文：

https://arxiv.org/pdf/2011.00071.pdf?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter

实习/全职编辑记者招聘ing

加入我们，亲身体验一家专业科技媒体采写的每个细节，在最有前景的行业，和一群遍布全球最优秀的人一起成长。坐标北京·清华东门，在大数据文摘主页对话页回复“招聘”了解详情。简历请直接发送至zz@bigdatadigest.cn

志愿者介绍后台回复“志愿者”加入我们 点「在看」的人都变好看了哦！