研究论文发表得太频繁，任何人都无法全部阅读。在机器学习领域尤其如此，它现在几乎影响到（并在其中产生）每个行业和公司。本专栏旨在收集一些更有趣的近期发现和论文——特别是但不限于人工智能领域——并解释它们为何重要中国机械网okmao.com。
本周我们有许多条目旨在识别或确认机器学习系统中的偏见或作弊行为，或支持它们的数据中的故障。但首先是华盛顿大学在计算机视觉和模式识别会议上提出的一个纯粹的视觉吸引力项目。
他们训练了一个系统，该系统可以识别和预测照片中水、云、烟和其他流体特征的流动，并从单个静止图像中制作动画。结果很酷：
动画展示了系统如何结合之前和即将到来的时刻的猜测来制作瀑布动画。
为什么呢？嗯，一方面，摄影的未来是代码，我们的相机越了解它们所指向的世界，它们就越能适应或重建它。假河流的需求并不高，但准确预测运动和常见照片特征的行为却是。
在任何机器学习系统的创建和应用中要回答的一个重要问题是它是否真的在做你想要的事情。“人工智能”的历史充满了模型的例子，这些模型找到了一种看起来像是在执行任务而不实际执行任务的方法——有点像一个孩子在他们应该打扫房间的时候踢床底下的所有东西。
这是医疗领域的一个严重问题，一个伪造它的系统可能会产生可怕的后果。同样来自华盛顿大学的一项研究发现，文献中提出的模型倾向于这样做，研究人员称之为“捷径学习”。这些捷径可能很简单——例如，将 X 射线的风险基于患者的人口统计数据而不是图像中的数据——或者更独特，比如严重依赖其数据来源的医院条件，因此无法推广到其他。
该团队发现，许多模型在与训练数据集不同的数据集上使用时基本上都失败了。他们希望机器学习透明度的进步（打开“黑匣子”）将更容易判断这些系统何时绕过规则。
