近期很多研究试图通过对比神经网络表示来理解神经网络的行为。谷歌大脑 Simon Kornblith、Geoffrey Hinton 等人的一项新研究引入了 centered kernel alignment (CKA) 作为相似性指数，并分析 CKA、线性回归、典型相关分析（CCA）等相关方法之间的关系，证明 CKA 优于其他相似性指数。...

Word2vec模型的本质是一个简单的单层神经网络，该网络的构建方式有两种：1) 使用连续词袋（CBOW）；2)使用Skip-gram 模型。这两种方式效率都很高，训练耗时也相对较短。此次研究用到了Skip-gram 模型，因为米科洛夫等人曾表示，该模型在处理较小的数据集方面更为高效。Skip-gram 模型选取当前词w_t作为输入层，并在输出层context window（上下文窗口）显示预测的关联词。...

近日，Science子刊发表文章，来自Facebook、加州伯克利分校和德克萨斯奥斯汀大学的研究人员通过强化学习解决了“如何让智能体获取信息性的视觉观察”的问题。具体来说就是，AI智能体对新环境“瞥上几眼”，就能快速推断整个新环境的情况。AI的能力越来越接近人类了。...

自批归一化提出以来，Dropout 似乎就失去了用武用地，流行的深度架构也心照不宣地在批归一化上不采用 Dropout。今天介绍的这篇论文另辟蹊径，提出新型 IndependentComponent（IC）层，将批归一化和 Dropout 结合起来，加快模型收敛速度。此外，在 Keras 中只需几行 Python 代码即可轻松实现 IC 层。...

人类识别物体的能力非常卓越。假如你在特殊光线下看一个杯子，或者从一个意想不到的方向去看杯子，你的大脑仍然很有可能认出这是一个杯子。这种精确的物体识别能力对人工智能开发者来说是一个难以实现的梦想，例如那些改进自动驾驶汽车导航的开发者。...

数学最重要的魅力在于帮助我们提出解决问题的思路或途径。 而机器学习在一定程度上正是数学和工程的完美结合，毕竟用数学里面的概率论、随机分析等工具研究AI早已不是什么新鲜事情。例如机器学习的四个基本原则性的问题，即泛化性、稳定性、可计算性和可解释性就可以用数学工程手段来解决。...

近日，韩国研究人员已成功测试了可靠的“智能指环”中的心脏监测技术，该技术以深度学习算法为支撑。研究人员预计，未来消费级的指环可以用在检测心房纤颤（AF）上。...

据哈佛新闻报道，近日，哈佛大学的科学家们把猴子的大脑与神经网络连接起来，试图刺激猴子大脑中负责识别面部的单个神经元。他们利用AI生成图像，然后向猴子展示这些图像，最终成功地激活特定的神经元，而不影响其他神经元。相关论文发表在最新的Cell期刊上。...

许多人对人工智能的概念感到不舒服。这不仅是因为人工智能有能力智胜人类，还因为它们天生具有学习新事物的能力。一项新的研究证实，深度神经网络能够像我们人类一样，培养“数字”技能。人工智能领域的另一个有趣的发展。...

就像弗兰肯斯坦的故事一样，Marc Miskin的机器造物最初同样一动不动，但却在突然之间获得了自由活动的能力。 不过这些机器人的尺寸非常微小，如同一颗灰尘。一块计算机使用的芯片之上，能够并排放置成千上万这种小型机器人。只要我们一声令下，这些小东西就会行动起来，自由地到处爬行。...