本週關鍵詞：圖採樣、3D結構、增強學習
本週最佳學術研究
從手繪草稿重建3D形狀
研究人員稱，這是首次有關從單視圖手繪重建3D形狀的研究。他們建議使用合成草圖進行訓練，並引入標準化模塊來處理數據不足的問題並豐富草圖的樣式。該模型被證明能夠成功地將不同視圖和不同類別的自由手繪重建為3D形狀。他們希望這項研究可以在基於手繪的3D設計或遊戲等應用中釋放更多手繪的潛力，使大眾更容易使用它們。
原文：
https://arxiv.org/abs/2006.09694v1
用於圖採樣的Python庫
採樣圖是數據挖掘中的一項重要任務。本文的研究人員提供了名為Little Ball of Fur的Python庫，其中包含了二十多種圖採樣算法。他們的目標是使大量專業人員、研究人員和學生可以在一個簡化的框架中使用基於節點、邊緣和探索的網絡採樣技術。
他們著重於創建一個具有一致的應用程序公共接口的框架，這個接口具有便利的設計、通用的輸入數據要求以及合理的算法基線設置。本文通過示例性代碼片段詳細概述了框架設計基礎，還通過估算多種社交網絡和網絡圖的全球統計數據，證明了該庫的實用性。實驗表明，Little Fur of Fur 庫可以大大加快節點和整個圖形的嵌入技術，並且只略微降低提煉特徵的預測值。
原文：
https://arxiv.org/abs/2006.04311v1
3D形狀中可學習的變形
Brain、加州大學伯克利分校和斯坦福大學的研究人員近期聯合發佈的這篇論文提出了一種基於流的模型，名為ShapeFlow模型。該模型可用於學習3D形狀的所有類的變形空間，儘管這些類具有較大類內差異。
ShapeFlow是一種基於流的模型，能夠通過使用變形流來構建高質量的形狀空間。研究人員分析表明，該模型可以避免自相交，並提供多種方式來規範體積、等軸測圖和對稱性等。ShapeFlow可用於對現有模板變形來重新構造新形狀。當前框架的一個主要限制是它沒有用於匹配形狀的語義監督。未來的方向包括通過對相似的矢量場進行分組來分析幾何形狀的零件結構並探索語義感知的變形。此外，ShapeFlow可用於在給出示蹤劑觀測值的情況下推斷螺線管流場的逆問題，這是工程物理學中的重要問題。
原文：
https://arxiv.org/abs/2006.07982v1
用於增強型機器學習的輕量級代碼框架
這項工作提出了ktrain，這是一種用於機器學習的輕量級代碼框。ktrain當前支持對文本、視覺和圖形數據的訓練模型。
作為對TensorFlow Keras框架的簡單包裝，它也足夠靈活，可用於自定義的模型和數據格式。受其他輕量級代碼（和無代碼）開源ML庫（例如fastai和ludwig）的啟發，ktrain希望能夠讓數據科學的初學者和領域專家都能來用它以最少的代碼量構建複雜的機器學習項目，並以此進一步使機器學習“平民化”。而即使是對於需要快速原型化深度學習解決方案的經驗豐富的從業者，它也是一個強有力的工具。
原文：
https://arxiv.org/abs/2004.10703v3
使用自我監督改進語音表示和個性化模型
在本文中，Google AI為語音相關應用程序的表徵學習做出了三點貢獻。首先，他們提出了一種用於比較語音表徵的NOn語義語音（NOSS）基準，其中包括各種數據集和基準任務，例如語音情感識別、語言識別和說話者識別。這些數據集可在TensorFlow數據集的“音頻”部分獲得。
其次，他們創建並開源了TRIpLet Loss網絡（TRILL），這是一種新模型，其規模很小，可以在設備上執行和微調，同時仍勝過其他表徵形式。第三，他們比較了不同的表徵形式並進行了大規模研究，還開源了用於計算新表徵形式性能的代碼。
評估NOSS的代碼位於GitHub上，數據集位於TensorFlow數據集上，而TRILL模型位於AI Hub上。
Github：
https://github.com/google-research/google-research/tree/master/non_semantic_speech_benchmark
TensorFlow數據集:
https://www.tensorflow.org/datasets/catalog/overview#audio
AI Hub:
https://aihub.cloud.google.com/u/0/s?q=nonsemantic-speech-benchmark
原文：
https://arxiv.org/abs/2002.12764
其他爆款論文
利用離線數據集加速在線強化學習：
https://arxiv.org/abs/2006.09359v1
既然我能看見，我就能改進它，在邊緣上啟用CNN數據驅動的微調：
https://arxiv.org/abs/2006.08554v1
Raspberry Pi上的Google Assistant和Amazon Alexa：
https://arxiv.org/abs/2006.08220v1
當神經網絡無法學習周期函數時我們應該如何修復：
https://arxiv.org/abs/2006.08195v1
3D斑馬魚跟蹤基準數據集：
https://vap.aau.dk/3d-zef/
AI大事件
機器學習的“奧德賽”：專訪Kaggle大師Luca Massaron：
https://analyticsindiamag.com/kaggle-luca-massaron-interview/
將公司價值提高到1億美元的人工智能專家Mike Bugembe：
https://www.blackenterprise.com/mike-bugembe-artificial-intelligence-got-company-sold-100-million/
李開復表示，美國在人工智能應用領域正在趕超中國：
https://time.com/5851734/kai-fu-lee-ai-us-catching-up-to-china/
拉籌伯大學使用人工智能為癌症患者提供心理健康護理：
https://www.zdnet.com/article/la-trobe-university-uses-ai-to-bring-mental-health-care-to-cancer-patients/