本週關鍵詞：機器學習安全性、數據編程、對象再識別
本週最佳學術研究
提升機器學習系統的安全性：瞭解如何保護機器學習模型
對於任何軟件系統來說安全性都至關重要，這也包括機器學習（ML）模型，因為人們可以通過對抗性示例輕鬆地適應從而攻擊該模型。
現在研究界對於探索和發現對抗性攻擊已經有了許多文獻和複雜的算法，並提出了一些有可能實施的防禦措施。例如，近日一些研究人員發表的這篇論文：機器學習究竟在網絡安全領域中處於什麼位置？
但是，根據與華盛頓大學合作和Microsoft Research的一組研究人員的說法，之前對於ML模型安全性的研究大多數的研究對象都是獨立的神經網絡模型。
在這份最新的研究報告中，研究人員們評估了大規模部署的ML軟件產品的安全性，希望能夠擴大這一領域的研究範圍，從而提供一個從系統安全性視角出發改進現有軟件產品的方法。它們描述了使用ML組件在軟件中實現系統安全的最佳實踐，並提出了一系列的短期緩解建議，部署機器學習模塊的從業人員可以參考他們的研究來保護軟件系統。
原文：
https://arxiv.org/abs/2007.07205v1
將自然語言轉化為移動UI操作
在ACL 2020上發表的這篇論文中，谷歌AI研究人員展示瞭解決自動動作序列映射問題的第一步：創建三個新的數據集，用於訓練深度學習模型，將自然語言指令應用於可執行的移動用戶界面操作。
他們的這一成果為移動設備上的任務自動化奠定了技術基礎，從而減輕了通過UI細節進行操作的需求，這對於視力受損的用戶將非常有價值。他們還開源了其模型代碼和數據管道，以促進研究界的進一步發展。
Github鏈接：
https://github.com/google-research/google-research/tree/master/seq2act
原文：
https://arxiv.org/pdf/2005.03776.pdf
基於數據編程的工業圖像標籤系統
最近發佈的這篇論文提出了Inspector Gadget：一種用於分類問題的可伸縮圖像標籤系統。該系統有效地結合了眾包、數據增強和數據編程技術。Inspector Gadget的目標應用是在製造業中對大型工業圖像進行部分分析，此前在這一領域很少甚至根本沒有標籤。
與現有的使用對象檢測模型預先將圖像轉換為結構化數據的數據編程方法不同，Inspector Gadget通過提供眾包工作流以利用人類知識來識別人們希望研究的模式來直接標記圖像。然後，將圖案增強並與其他圖像匹配，並生成用於神經網絡模型訓練的相似性特徵。
結果表明，Inspector Gadget優於其他圖像標記方法，例如Snuba，GOGGLES以及使用CNN而不進行預訓練的自習基準模型。研究人員認為，Inspector Gadget開闢了使用數據編程的新方向。
原文：
https://arxiv.org/pdf/2004.03264v2.pdf
用於通用實例再識別的Pytorch工具箱FastReID
在本文中，研究人員介紹了一個名為FastReID的開源庫，該庫可用於通用實例再識別。
實驗結果證明了FastReID在多種任務上具有通用性和有效性，例如：人員再識別和車輛再識別等。研究人員稱，共享FastReID是因為開源研究平臺對整個AI社區（包括學術界和工業界的研究和從業人員）的快速進步至關重要。
他們希望通過發佈FastReID來繼續加速通用實例再識別領域的發展，同時也期待彼此之間的學習合作，以促進計算機視覺領域的發展。
原文：
https://arxiv.org/pdf/2006.02631v4.pdf
用於緊湊3D人臉建模的基於關節的神經裝備表示（Neural Rig Representation）
本文提出了一種新的3D人臉表示方法，它使用基於關節的人臉裝備（rig）搭建人臉模型。該模型非常緊湊，因此需要使用更小的數量級來保有其強大功能。這一需求可以通過學習神經蒙皮權重（neural skinning weights）來滿足。研究人員還通過重新拓撲掃描、BU-3DFE、可視化Azure Kinect和2D圖像等來評估模型。
該模型具有可進行人臉蒙皮編輯和裝飾的優點。研究人員已經將人臉模型整合到點雲和2D圖像，因此未來的工作是通過學習神經網絡來直接預測人臉模型參數，從而為加速實時應用重建提供可能。
原文：
https://arxiv.org/pdf/2007.06755v2.pdf
其他爆款論文
通過像素級自動圖像標記實現語義圖像分割，性能超過大部分已有的弱監督方法：
https://arxiv.org/pdf/2007.07415v1.pdf
有關機器學習中隱私攻擊的最新調查結果：
https://arxiv.org/pdf/2007.07646v1.pdf
從平均場博弈（MFG）和最佳運輸（OT）角度分別理解和分析生成對抗網絡（GAN）：
https://arxiv.org/abs/2002.04112v2
特徵量化助力GAN訓練：
https://arxiv.org/pdf/2004.02088v2.pdf
表情符號預測的拓展和基準測試：
https://arxiv.org/abs/2007.07389v1
學習資源
70多個機器學習數據集和項目構想：
https://googleweblight.com/i?u=https://data-flair.training/blogs/machine-learning-datasets/
2020年機器學習項目Top 21：
https://data-flair.training/blogs/machine-learning-project-ideas/
面向初學者的免費機器學習項目構想：
https://www.skyfilabs.com/blog/free-machine-learning-project-ideas-for-beginners
DeepMind與UCL AI中心共同打造深度學習系列講座：
https://www.youtube.com/playlist?list=PLqYmG7hTraZCDxZ44o4p3N5Anz3lLRVZF
AI大事件
AI芯片初創公司Graphcore開啟系統業務，稱其比Nvidia經濟適用得多：
https://www.zdnet.com/article/ai-chip-startup-graphcore-enters-the-system-business-claiming-economics-vastly-better-than-nvidias/
ICML 2020之Google篇：
https://ai.googleblog.com/2020/07/google-at-icml-2020.html
AI的超強能力能否協助人類外科醫生減少醫療錯誤：
https://www.zdnet.com/article/big-backing-pair-doctors-ai-assist-technology/