2021年度亚马逊科学最佳博文盘点

构建基于加密数据的机器学习模型

在加密计算与应用同态加密研讨会上，某机构研究人员发表了一篇论文，探索将同态加密应用于逻辑回归。逻辑回归是一种统计模型，广泛应用于从基因组学到税务合规等众多机器学习应用中。了解这种同态加密新方法如何将加密机器学习模型的训练速度提升六倍。

提升可解释人工智能的解释能力

图中展示了一个基于概念的解释模型的因果图，包含一个混杂变量（u）和一个去偏的概念变量（d）。

Mohammad Taha Bahadori 和 David Heckerman 在国际学习表征会议上发表论文，他们“将一种从因果模型中移除混杂变量的技术（称为工具变量分析）适配到基于概念的解释问题上”。了解更多关于因果分析如何提升流行概念解释模型的分类准确率和所识别概念的相关性。

Alexa 进入“自我”时代

Prem Natarajan，Alexa AI 自然理解副总裁，在2018年的一次会议上。

Alexa AI 自然理解副总裁 Prem Natarajan 写道：“我们已经开始引入的一些技术，以及我们正在研究的其他技术，预示着 Alexa 发展中的一个阶段性变化——也是人工智能领域本身的变革。”阅读他的文章，了解为何更自主的机器学习系统将使 Alexa 在自我感知、自我学习和自助服务方面更进一步。

分层时间序列预测的新方法提升准确性

研究人员的方法通过投影来强制实现分层时间序列不同层级间的一致性。平面 (S) 是一致样本的子空间；yt+h 是来自标准分布（始终一致）的样本；ŷt+h 是该样本转换为来自学习分布的样本；ỹt+h 是将 ŷt+h 投影回一致子空间的结果。

在国际机器学习会议上发表的一篇论文中，某机构科学家“描述了一种新的分层时间序列预测方法，该方法使用单个端到端训练的机器学习模型，同时预测层级中每个级别的输出，并对其进行协调。”了解更多关于这种方法如何强制实现分层时间序列的“一致性”，即层级中每个级别的值都是其下一级值的总和。

在相关时间序列中确定因果关系

研究人员的新方法构建了一个条件集——一组必须被控制的变量——从而能够在因果图中测试条件依赖性和独立性。

在国际机器学习会议上发表的一篇论文中，由 Bernhard Schölkopf 共同撰写，某机构研究人员“描述了一种新技术，在给定某些图约束的情况下，可以检测目标时间序列的所有直接因果特征——并且仅检测直接或间接因果特征。”了解所提出的方法如何超越格兰杰因果关系，并“使检测到的原因的假阳性率接近于零”。

如何高效训练大型图神经网络

通过在 GPU 内存中缓存图节点数据，全局邻居采样大幅减少了在训练大型图神经网络期间从 CPU 传输到 GPU 的数据量。

在 KDD 会议上发表的一篇论文中，某机构科学家“描述了一种新的采样策略，用于在 CPU 和 GPU 组合上训练图神经网络模型。”了解他们的方法如何实现比其性能最佳的前辈方法快两到十四倍的加速。

如何使设备端语音识别变得实用

这种差异化方法的一个优势是，每次模型更新可以针对不同的权重集，这为适应不断变化的数据环境提供了更大的灵活性。

在今年的 Interspeech 会议上，某机构科学家发表了两篇论文，描述了一些将使在边缘运行 Alexa 变得实用的创新。了解分支编码器网络如何提高运行效率，而“神经差异化”如何减少模型更新的带宽需求。

使用学习排序精确定位包裹投递点

图中，深蓝色圆圈表示记录到的同一地址的投递 GPS 坐标。红色圆圈是客户门前的实际位置。取测量值的平均值（质心）会得到一个位于街道中间的位置（浅蓝色圆圈），这会让司机感到困惑并导致延误。

在欧洲机器学习会议上发表的一篇论文中，某机构末程配送组织的一位首席应用科学家将“一个来自信息检索的想法——学习排序——适配到根据历史 GPS 数据预测投递点坐标的问题上。”了解更多关于从信息检索改编而来的模型如何很好地处理有噪声的 GPS 输入，并利用地图信息。

第三季度：使硅空位中心在量子网络中实用化

在研究人员的设计中，如果一个光子到达探测器，它会传递关于一个硅空位量子比特（SiV B）量子态的信息，尽管它只与另一个量子比特（SiV A）发生了相互作用。

带有所谓硅空位中心的人造金刚石芯片是量子网络领域一项有前途的技术，因为它们是天然的发光体，体积小，固态，并且相对容易大规模制造。但它们一直有一个严重的缺点：它们倾向于在一定频率范围内发光，这使得交换量子信息变得困难。某机构量子计算中心的成员，与哈佛大学、汉堡大学、汉堡超快成像中心和耶路撒冷希伯来大学的同事合作，展示了一项有望克服这一缺点的技术。该论文的第一作者，哈佛大学研究生兼某机构量子研究科学家 David Levonian，就这项研究回答了三个问题。

某机构团队因自动化推理研究获最佳论文奖

ShardStore 删除过程的一个示例。删除范围 18 中的第二个数据块（灰色框）需要将其他三个块复制到不同的范围（范围 19 和 20），并重置范围 18 的写入指针。日志结构合并树本身也存储在磁盘上（本例中在范围 17 中）。详情见下文。

在 ACM 操作系统原理研讨会上，某机构的研究人员因其工作荣获最佳论文奖，该工作使用自动化推理来验证 ShardStore（某机构新的 S3 存储节点微服务）将按预期运行。了解更多关于验证新 S3 数据存储服务的轻量级形式化方法。FINISHED
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）