MOLAR NEWS
2020年第38期
MolarData人工智能每周见闻分享，每周一更新。
DeepMind 最新论文解读：首次提出离散概率树中的因果推理算法
当前，一些前沿AI研究人员正在寻找用于表示上下文特定的因果依赖关系清晰的语义模型，这是因果归纳所必需的，在 DeepMind的算法中可看到这种概率树模型。
新的DeepMind论文 《概率树中的因果推理算法》中写道，“概率树是因果生成过程的最简单模型之一。” 据作者称，上述算法是第一种针对离散概率树中的因果推理提出的具体算法。
据DeepMind团队表示， DeepMind涵盖了整个因果层次结构和随机命题、因果事件上的操作，并将因果推理进一步扩展为“非常通用的离散随机过程类”。DeepMind团队的研究重点是有限概率树，并得出了以下具体算法：计算以下方式形成任意事件的最小表示形式：
· 命题演算（Propositional calculus）
· 因果先例（Causal precedences）
计算以下三个因果层次结构的基本操作 ：
· 条件
· 干预措施
· 反事实
来源：AI科技大本营
从谷歌AutoML到百度EasyDL，AI大生产时代，调参师不再是刚需
2018 年，Google Cloud 宣布将 AutoML 作为机器学习产品的一部分。至此，AutoML 开始进入大众的视野。
其实，AutoML理念就是用 AI 设计 AI，将特征提取、模型选择、参数调节等需要人工干预的环节进行自动化，使得机器学习模型无需人工干预即可被应用。
随着 AI 技术的发展，各行各业应用 AI 进行转型的需求也在爆发式增长。当前，AI 赋能千行万业的愿景仍然处于起步阶段，AI 在很多时候更被认为是很高深需要非常大投入的技术领域，而实际上EasyDL正在颠覆这一点。
百度EasyDL平台正在不断升级自身技术，同时为 AI 落地持续赋能，为产业智能化转型提供更多创新力量。与此同时，EasyDL也正在积极的推进生态的建设，比如9 月底新上线的模型AI市场，就是通过平台化的基础设施，促进生态的繁荣。
来源：AI科技大本营
李飞飞点赞「ARM」：一种让模型快速适应数据变化的元学习方法
机器学习中的绝大多数工作都遵循经验风险最小化（ERM）框架。但在伯克利和斯坦福的这项研究中，研究人员引入了自适应风险最小化（ARM）框架，这是一种用于学习模型的问题公式。
在训练过程中，研究人员采用模拟分布偏移对模型进行元训练，这样，模型能直接学习如何最好地利用适应程序，并在测试时以完全相同的方式执行该程序。
如果在测试偏移中，观察到与训练时模拟的偏移相似的情况，模型就能有效地适应这些测试分布，以实现更好的性能。
来源：量子位
AI 算法解决二进制安全问题，腾讯安全NeurIPS 2020论文有新方法
在人工智能顶级学术会议 AAAI 2020 中，腾讯安全科恩实验室利用图神经网络解决二进制程序函数相似性分析问题的技术得到了广泛关注。在此基础上，本次研究将方向扩展到二进制代码与源代码的交叉领域，进一步实现腾讯安全科恩实验室在「AI + 安全」这一新兴方向中的全新探索与突破。
这是一个二进制代码 – 源代码检索任务，研究人员把这两种代码当作两个模态的输入，即可类比到图文互搜等跨模态检索场景。因此，该研究设计了如图所示的 CodeCMR 框架。
CodeCMR 整体框架在跨模态检索领域中，这是一种比较常见的结构 [3, 4]。在计算最终向量之前，两个模态之间没有信息传递，因此在实际应用时可以预先计算向量，从而节省大量的线上计算时间以及存储空间。
来源：机器之心
隐私数据在隐私AI框架中的安全流动
隐私 AI 系统存在的目的就是赋能 AI，使得各种 AI场景下对用户隐私数据的使用都是安全的。那么，这样的系统就需要提供充分的保障，从理论到工程实现的每一个阶段都应该是经得起推敲、抵抗得住各种 攻击的。不能简单的认为只需要各方先在本地自己的数据上计算出一个模型，然后将模型结果交换一下 计算下其模型参数的平均值，就不会泄露各方的隐私数据了。现代密码学（Cryptography）是建立在严格的数学定义、计算复杂度假设和证明基础之上的，其中 MPC （Multi-Party Computation）方向是专门研究多个参与方如何正确、安全的进行联合计算的子领域，Rosetta、TFEncrypted等隐私 AI框架都采用了 MPC技术以提供可靠的安全性。
来源：机器之心
AI资讯
掌握最新时事新闻
长按扫码关注我们
原创文章，作者：整数智能，如若转载，请注明出处：https://www.agent-universe.cn/2020/11/8487.html
