机器学习的下一步是什么高通人工智能研究的新论文在主...

heyjoypaul

尽管由于VID9，今年的大多数机器学习会议已改为虚拟举行，但AI社区继续通过新颖的工作推动行业向前发展，最终将帮助人们并改善生活。由于验收标准与前几年一样严格或什至更加严格，论文的质量仍然很高。举个例子，计算机视觉与模式识别VR的论文接受率从9年的上升到今年的。这也是由于更多的研究实验室和公司在人工智能领域发表了研究成果。我们很高兴在主会议上收到四篇VR研讨会论文和两篇论文，其中包括一篇口头报告。这是一个令人兴奋的领域。在这篇博文中，我们将重点关注Qualenlgies在年上半年进行并在行业主要会议上接受的最先进的研究。该研究在从功效和压缩到自动驾驶等多个领域具有广泛的影响。领先整个人工智能领域的研究和开发领先整个人工智能领域的研究和开发。点击查看大图个性化和持续学习在个性化主题上，VR口头接受的论文ndiinalannelGaedNewrksfraskAwareninuusLearning解决了神经网络在满足个性化目标时对先前任务的遗忘问题。当前的训练示例。一个例子是网络逐渐学习识别其他鸟类物种或学习完全不同的任务例如花卉识别，而不会忘记之前学到的任务。该论文通过一种新型的条件计算解决了这个问题。与大量标记图像上的竞争方法相比，我们的方法的准确率提高了。高效学习高效学习是高通人工智能研究院的一个重要研究方向。我们的。

论文有限资源深度学习的数据和计算高效设计在国际学习表示会议(ILR)研讨会上被接受，该论文汇集了之前与阿姆斯特丹大学合作就等方差主题所做的工作，如以及我们的量化突破。该论文展示了这两种方法之间的协同作用。该算法可以识别极少数 以色列电报数据 示例中的旋转图像，为医学诊断领域的应用开辟了机会。电源效率功效对于跨设备扩展AI至关重要，也是我们研究的主要焦点。VR研讨会上接受的论文LSQ+通过可学习的偏移量和更好的初始化来改进低位量化解决了所有负激活量化为零时的性能损失问题。它提出了一种通用的非对称量化方案，可以学习适应负激活，从而显着提高性能。例如，在具有大型图像数据集的EffiienNeB上，我们看到位量化的增益为8，位量化的增益高达。ILR接受的量化稳健性的梯度l正则化也建立在Qualenlgies在模型量化方面正在进行的工作之上。基于正则化的方法为各种位宽的即时训练。



后量化铺平了道路。BaSaingfrLearningndiinalannelGaedNewrks被ILR接受为口头论文，提出了一种训练大容量神经网络的方法，其精度显着提高，动态计算成本更低。更具体地说，在IageNe上，我们的ResNe和ResNe门控网络获得了7和7的准确度，而基线ResNe8模型的准确度为97，且复杂度相似。我们还表明，最终的网络会自动学习对困难的示例使用更多的特征，对简单的示例使用更少的特征。有序混沌边缘设备的不规则有线神经网络的内存感知调度在系统和机器学习会议(LSys)上被接受，提出了一个成功最小化内存占用的编译器。与ensrFlwLie业界广泛使用的标准相比，内存感知调度可将内存占用量减少8倍，片外流量减少7倍，从而显着降低功耗。此外，还可以显着节省工程资源，因为以前工程师需要两天才能完成的手动工作现在可以在一分钟内编译时间自动完成。数据和源压缩数据和源压缩技术广泛用于各种用例，以节省带宽并减小文件大小。