端到端的AutoML在Kaggle Days上處理表格數據

谷歌研究人員最近將一種基于學習的方法應用于表格數據，創建了一種可擴展的端到端AutoML技術。AutoML符合三個關鍵標準，包括：

完全自動化：不需要人工干預。輸入包括數據和計算資源，輸出是一個可服務的TensorFlow模型

廣泛的覆蓋范圍：適用于許多表格數據域的任意任務

高質量：模型由AutoML生成，質量堪比由ML專家創建的人工模型

AutoML首次參與由74個團隊組成的KaggleDays SF Hackathon。該挑戰主要關于預測制造缺陷，目標是提供有關材料性能的信息和批量汽車零部件的測試結果。盡管他們必須與Kaggle master級別的參與者競爭，但谷歌AutoML團隊最后仍名列第二。

AutoML在表格數據問題中的應用是非常令人興奮的。AutoML可以實現能夠解決表格數據問題的最先進模型。它可以幫助ML社區解決大量的問題——欺詐檢測、庫存預測，在商業零售、供應鏈管理、金融、制造、鉛轉換等等等。谷歌的目標是使ML更具可伸縮性，并加快研究和行業應用程序。

實現魯棒的Winograd模式挑戰結果的訣竅

研究人員最近證明，對WSCR上現有的LMs進行調參有助于提高LM處理WSC273和WNLI的能力。他們介紹了一種生成大規模WSC樣本的方法，并用它從英文維基百科創建了一個1100萬的數據集。該方法還與WSCR一起用于對預先訓練的BERT LM進行調參。對WSC273和WNLI的準確率分別達到72.2%和71.9%，較之前的最優水平分別提高了8.5%和6.8%。

由于WSC示例是為了展現像人一樣的常識和推理而開發的，因此該任務非常具有挑戰性。在WSC比賽中，兩輪取得90%準確率的參賽者可獲25,000元大獎。此前最著名的解決方案使用了深度學習，準確率為63.7%。

本研究工作是第一個突破WNLI多數基線的模型。通過對WSCR數據集上的BERT語言模型進行微調，實現了對WSC和WNLI數據集的改進。它具有幫助未來Winograd模式挑戰參與者提高WSC和WNLI準確性的潛力。

通過仿真，探索和總結建立自動方程式SAE賽車的經驗教訓

上周晚些時候，一組研究人員公布了他們在開發模擬自動駕駛算法時的所有探索和經驗教訓，然后將其部署到一輛真實的汽車上。他們的工作特別集中在方程式賽車的學生無人駕駛競賽上。在這項比賽中，方程式賽車是由學生設計并制造的，然后它們要穿過由交通標記的看不見的賽道。

論文主要貢獻:

端到端設計和部署一個自治堆棧，可以基于AirSim駕駛一個自定義方程式SAE。

獨特的擴增，顯著改善記錄過程和訓練模型

模擬訓練系統如何在真實的環境中部署的詳細介紹。

對真實應用中的人工智能，仿真是一項關鍵技術。在自動駕駛汽車上路之前，對其進行虛擬驗證尤為必要。對于該領域的研究人員來說，安全性非常重要。本文在各種模擬場景中發揮了巨大的作用，以幫助未來的自動化軟件達到更高的標準。

微軟推出開源跨平臺的機器學習框架

微軟最近推出了ML.NET，這是一個用于構建自定義機器學習庫解決方案的框架。開發ML.NET是為了讓開發人員能夠使用ML框架編寫、測試和部署ML。它當前的實現包括2773K行c#代碼和大約74K行c++代碼，這些代碼能夠支持高性能的機器學習應用。ML.NET還支持80多個特征設定器和40個機器學習模型。

開發人員可以訓練ML模型或使用第三方現有模型，并在任何脫機環境中運行，這意味著他們不需要有數據科學背景（知識）就可以使用該框架。

ML.NET是為了響應微軟數據科學家的眾多需求和見解而開發的，這些數據科學家將使用它來開發全球數百萬人使用的服務和產品。

作為一個免費的庫，ML.NET將大型軟件應用程序中的ML模型應用變得更加容易。該框架以一種易于使用的方式實現，即在大型數據集上提供可拓展性的同時，還有較高的性能和在單個API數據轉換下進行統一的能力。

隨著ML快速發展成為現代應用程序開發的核心元素，ML.NET將幫助開發人員將ML引入相同的技術堆棧，以便更有效地編寫和共享ML機制。

利用主動不確定性降低(AUR)增強機器人和控制RL

對于機器人與控制，控制器的性能和穩定性與模擬器的仿真度有關。在此背景下，一組研究人員介紹了一種利用系統動力學的仿真和不確定性量化的方法，能夠以一種有效的方式來學習控制器。

他們的方法是從一個在線階段開始的，該階段會評估一些用數據生成的仿真。利用訓練數據和高斯過程(GPs)估計了系統的轉變動力學和獎勵函數。

然后，通過自適應采樣，該方法使用一種有原則的方式對低保真度模型進行增強。在離線模式下，該方法則利用強化學習、近端策略優化（PPO）等無模型方法，提高了模型保真度以及優化了控制器策略。

本文結合了基于模型和無模型方法的優點，實現了穩定控制器的開發，提高了機器人以及控制器的有效數據。現實世界中的機器人制造成本高昂。這種研究工作有助于簡化過程，并為復雜的系統動力學提供了更好的建模能力。