整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
文譯自：http://www.alexirpan.com/2016/07/17/ml-sleep.html，原文標題《The Machine Learning Casino》，譯文供您參考。
一、機器學習理論研究
機器學習是一種能使計算機半自主地對數據進行分析，并從中學習經驗的算法。
機器學習理論的研究聽上去就好像做這么一件事，讓我們的研究人員去深刻探索，提高計算機學習數據集的效率的方法。
事實上，機器學習理論的研究可以在我們的生活的每時每刻找到影子。就好像你在不斷的進行一場賭博，只不過你的籌碼是你的時間。你把你的時間花費在了一些有啟發性的事物上去，而這場賭博的最終大獎看上去就是未來光明的前途。當然，即使你付出了大量的時間，你也可能遇到你無法想象而又無法理解的失敗。
二、機器學習中理論與實踐的關系
盡管機器學習是建立在統計學的基礎之上的，但事實上機器學習也可以被更多的說成是一門實踐性的科學。
然而談到到實踐性，這并不意味著這是一門輕視基礎理論的學科。在機器學習里會遇到眾多理論問題。例如，賭博機問題，凸優化與非凸優化，圖形建模，以及信息理論的問題，當中涉及到了許多不同的學科領域。如果你要你深究機器學習，你可以在這些問題里花花時間。
這里面內容太深太廣，對于普通的開發者來說，學完全部的內容并不是一件容易的事情。現實就是，人們都希望自己的算法是有保障的，但是不是每個人都愿意花時間去深究為什么他們的算法是有保障的。
好吧，在當下在APP開發火爆的環境下，人工智能的宣傳滿天飛。但是人們往往首先關心的只是最終的產品，然后在開發進度中逐漸才會關注基礎理論的重要性。一般的開發者往往都是會從一些有啟發的事情中獲得靈感，通常來說，這些有啟發的算法能對既已出現的情況做出相應的反應，但是這些算法僅停留在面向過程的層面，基本沒有更深的內涵。
三、實驗方法
那么我們想想，我們到底是怎樣發現這些有啟發性的事物的呢？這里介紹一個方法：
一、提出假設。
二、設計一個實驗來檢驗這一假設。
三、進行實驗并分析結果。
四、細化假設并改進實驗設計。
五、重復以上流程，直到最終得出結論
在機器學習的領域，提出假設是有前途的算法，進行實驗便能檢驗這些算法的正確性。
重點是什么？就是做做實驗，直到最后你的理論被最終證明有效。
好，回過來，接下來我和大家分享一些有用的東西。
四、機器學習中的理論是否已經非常成熟了呢
當前的這門藝術的狀態還是概率性的并且高度個性化的。經驗上來說，概率化的方法現在已經能很好的在大數據領域等領域應用。
個性化意味著你能嘗試調試不同參數并觀察他們之間的差別，你有沒有嘗試調整過超參數？有沒有嘗試過清洗你的數據？或者使用一種不同的最優算法？讓你的模型變得更簡潔？或者說讓你的模型更加復雜化？玩過Batch Normaliztion算法嗎？校正過非線性失真的圖像嗎？我們希望能探索出一些新的方法來打破常規來解決一些實際問題。然而不幸的是，我們目前的工作還沒能力達到那個程度。神經網絡確實是非常神奇的，但是你一旦用它玩完那些簡單的問題后，你會發現其實還有很多問題還不能解決。
機器學習中會設置一些特征參數，而且這些我們也不會說哪些參數是失敗參數。這樣的事可能是在其他學科中不會出現的。但是在機器學習中，事情就是這樣。而且有時，完全相同的參數設定也不會得到相同的結果。你可以認為我們能做的更好，但是難以重現結果確實是一個問題。
對每一個欣賞機器證明藝術的人來說，這也是機器學習中最氣死人的地方。在我們進行超參調優的時候，我們往往并沒有帶著專門去探索其理論基礎的學習動機。但這卻是你們必須做的事情，機器學習之美和現實應用有時會脫節。這里有一個段子，是一個計算機視覺教授和他的學生說的：
學生：這理論沒有什么實際應用。
教授：真的沒有用嗎，就算真的沒有什么實際應用，理論本身就已經是藝術。
學生：你說的我都懂，理論很高端，但卻在實際生活中沒有用。甚至連Lenna圖像也不能很好的處理。
教授：（半開玩笑的說）也許我們處理一百萬個圖像，可能在這個過程中，我們就會發現機器學習的作用。
學生：如果連Lenna都不能處理，就更別說無數個Lenna了。
教授：哈哈哈，我也這么認為，真是倒霉啊。
我能體會他們的苦衷。
在訓練了足夠的機器學習模型后，你就找到問題的關鍵，能識別常見的無效模式。當你能正確進行模式識別，你便能開始總結出新的識別方法。然而，這種識別沒法達到保證百分百成功的程度。我喜歡開玩笑的說，有一天理論學家會找到比純粹靠經驗的好方法。但是我不認為在當下能很快實現。因為這些理論上的東西真的比較難。
理論上，在監督機器學習中，已經發現了“No Free Lunch”定律。我如果這么說可能會顯得不太正式，但是確實沒有哪一種算法能在每一個可能的問題里打敗另外一種算法。換句話說，永遠不會有一個算法統治所有其他算法。當然，如果有人能證偽這一點，那當然是最好不過的事了。
五、如何在實驗中獲取有價值的結論
我依舊沒有解釋為什么機器學習的研究能應用到我們的生活當中。
我認為我已經迂回地說過了。機器學習實驗的是隨機性的。即使是這個領域內的大牛也不能掠過超參調優的過程。
這就讓這個領域讓人感覺像一個巨大的賭場，你拉動了水果機的拉桿，希望自己能中獎。有的時候，你確實能中彩，但是也不會中獎。 或許湊巧的是，有人告訴你玩的這臺水果機已經十年沒有開獎了，你也許應該嘗試新的水果機。機器學習就好像民間傳說，這里面的竅門和門道人們一代又一代相傳。
我們理解了許多知識，但是水果機就是是水果機，這里面不可避免的隨機性問題隨隨便便就能毀了你美好的一天。或者有更糟的情況，這樣的“水果機”也許就隱藏在你的工作里，你的股票基金里，你的前途里。
在這樣的機器學習的游戲里，要么你很幸運，要么你在嘗試了許多次后你必將獲得幸運。這里面唯一保證成功的途經就是做這個后者。
那就意味著實驗，你需要做海量的實驗。其實在進行實驗的這段時間你也不需要做什么事情。你在你準備休息的時候運行實驗。比如說，你準備去吃中飯。那就開始在計算機上運行你的實驗吧。看看你吃完后會不會有什么新的實驗結果。又或者說你準備出去玩，那你或許可以整夜的運行你的實驗，在第二天再去查看你的實驗結果。再比如，你不想在這個周末工作？那好吧，你的電腦可不會介意在周末上班的。我們寫好代碼，我們便能在無人值守的情況下進行實驗，這真的是非常的棒。只要你的代碼是有效的，如果你的代碼出現了問題，那么好吧你需要修復出現的bug。除去修復代碼的時間，你可以每時每刻都在運行你的實驗。
計算機的工作就像是一個工作狂一樣。你也不需要立即修改你的代碼，就像你不需要一次把所有的籌碼都買滿水果機的下注。我很確信隨著時間的增長，你最終會變得十分幸運，即使你錯過了一兩天，這也不會影響最終的結果。
如果有一種方法能讓機器算法能有效。我也不知道會不會真的有這樣的算法，我在心里還曾想過那么一秒，我如果在這個滿月下獻祭一只山羊，會不會就能讓這項工作有效了。如果機器學習的算法真的這么簡單就能有效了，我想應該有人會想出無數的方法想著怎么去獻祭山羊了。
不過好事不會像山羊獻祭這么簡單的，因我也不想做這種沒有什么意義的事情。
六、結語
在這里，你可能會想知道，為什么我有時會對機器學習感到有些厭煩。
事實上，所有的廢話也會有一定的價值，實驗的運行中有許多令人激動的事情在不斷發生，因此，我對機器學習中出現的問題也越來越能容忍，我對此也感到習以為常了。和理論相比，運行試驗就是浪費時間，但這是令人激動的垃圾時間。
我認識的計算機理論科學的朋友們可能會認為我已經瘋了，我正做的這些實驗簡直讓我近乎瘋狂！哦，好吧還有什么新理論嗎。
我們的這些工作，處于獲取真理的邊緣。如果這樣繁復的工作就是我們必須要付出的代價，我必然會毫不猶豫地會選擇付出。
“標槍遠遠領先于她，并移動的更快。殖民者還有很多許多時間來進行活動。當她到達天狼星的時候也許會在那兒發生什么，也許會十分友好。就算真的遇到不友好的事情，她也能到時候再隨機應變。”
——摘自小說《RA》
作者：alexirpan 譯者：語林
源|活動盒子_APP活動運營工具(huodonghezi.com)
用戶習慣，就是一種無意識的行為，就是讓用戶不假思索的使用產品。從運營層面來看，就是讓用戶對活動形成習慣和期望。
餓了么剛開始做市場推廣的時候，除了免配送費之外，還給了用戶很大的折扣，幾個人一起點餐，除去紅包，滿減，平均下來也就幾塊錢一餐飯，有時甚至還送飲料。后來，美團外賣，百度外賣紛紛入局，外賣O2O開始了瘋狂的補貼大戰。
經歷過無數次的廝殺之后，存留下來的外賣APP們紛紛走上了正軌，但是，他們都漲價了。盡管如此，以前積累的用戶也沒有因為他們的漲價而離去。因為我已經習慣性的在用餐時間的前半個小時點好餐品，不需要出去日曬雨淋，就能夠吃上香噴噴的飯菜。
于是，每到點餐時間，我都會掏出手機，點上一份，這一切都是無意識的行為。
用戶習慣的培養，其實也是用戶運營的一個方面。在用戶習慣的養成上，少不了運營人員的幫助，在運營人員的幫助下，用戶才能適應運營節奏。那么，運營人員在培養用戶習慣上，應該怎么做呢。
1.提高運營計劃周期
將運營計劃從一天、幾天，提高到一個月、一年的周期。
常見的活動都是圍繞著一個主題策劃的，為了提升一個指標，在短期內，可以是一天，也可以是一到三天的時間內做活動。
摩拜單車免費騎行活動
摩拜單車的免費騎行活動，吸引了眾多用戶前來使用，但是，在用戶習慣還未養成之前，如果騎行需要收費，1元/半小時的摩拜單車跟0.5元/半小時的小藍單車，你會選擇哪個呢?
屈臣氏則是將活動的周期延長，將每個月10號定為會員日，所有商品享受折上折，積分還能直接當現金用，優惠力度之大，周期更加長。
屈臣氏會員日
將運營計劃的周期延長之初，可能參加活動的人遠沒有以前那么多，效果沒有以前好，但是不要緊，經過長期的積累，你的用戶已經知道了在某一個固定的時間內要來參加活動。不需要大肆的宣傳，也能夠達到較好的活動效果。
2.利用好關鍵節點，做長期策略設計
對關鍵節點，如元旦、新年、勞動節、情人節、愚人節等，進行長期的運營策略設計。
以時間為理由做活動，比較容易獲得用戶的認同，比如，一號店新年的促銷活動。
一號店新年活動
用戶想要買買買，選擇一個好的節點加點小福利，能夠增強用戶購買欲。但是，如果對新年這個時間點進行長期的運營策略設計，只要臨近新年，用戶都會回來看看，是否有便宜的東西可以購買，用戶習慣不就養成了嗎。
3.和產品人員、開發人員做好溝通
運營人員除了做好用戶運營，也需要和產品人員、開發人員溝通好。
一個活動運營人員，如果不系統的思考活動的計劃和策劃，往往需要做很多重復的工作，例如，轉盤和老虎機，這兩個看似不同的活動，實質上是概率的問題，如果我們經過系統的考慮，和開發人員做好溝通，開發出一套由后臺控制的系統，做不同活動的時候，僅需要更換UI即可。
活動盒子新建活動頁面
一套活動系統可以被用到多個場景之中，支撐起多種活動，就可以被拿來復用，而且原有的活動模式已經驗證成功，通過系統復用，不僅可以保證活動快速上線，也能夠培養用戶習慣。
4.關注競品，看看最近有什么大動作
在做用戶習慣培養時，還需要時刻觀察競品，為差異化運營做準備。
在滴滴和Uber廝殺得火熱的時候，易到用車橫空出世，為了分得專車市場的一杯羹，易到用車也對用戶進行補貼，以下是同一時期滴滴和易到用車的打車券。
滴滴/易到用車 打車券
培養用戶習慣首要的做法是贏得用戶，將自己與競品間的運營差異化，能夠贏得目標用戶，為培養用戶習慣做準備。
總結：用戶習慣的養成，不是一朝一夕就能夠見效的，需要多去實踐，才能找到最合適的方法，用戶習慣培養好了，在下一個節點來臨之前，用戶就懂得回來瞅瞅是不是又有活動可以參加啦。
作者：活動盒子(huodonghezi.com)，APP活動運營工具，全方位提供APP活動運營解決方案;
本文為活動盒子原創，商業轉載請聯系作者獲得授權，非商業轉載請注明出處：官網地址：http://www.huodonghezi.com/news-1121.html
剛！人工智能頂級會議 AAAI 2021 在線上開幕，作為 2021 年首個人工智能頂會，華人學者取得了大滿貫。
具體表現為：兩名中國來自微軟亞洲研究院的中國學者獲得了杰出 SPC 獎，其在眾多資深程序主席中脫穎而出。這兩位的名字是 Xiting Wang 和吳方照。
https://www.aminer.cn/profile/xiting-wang/5625328c45cedb3398592763
根據 AMiner 主頁，我們得知 Xiting Wang 畢業于清華大學，其研究興趣包括可解釋的推薦，文本挖掘和視覺文本分析。吳方照也是畢業于清華大學，目前是微軟亞洲研究院社會計算 (SC) 組的高級研究員。
此外，中國學者還獲得了一篇杰出論文，題目為 “Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-augmentation”，翻譯為中文為 “通過有效的協同分割和數據增強實現多視角立體的自我監督。” 作者 Hongbin xu 來自深圳市計算機視覺與模式識別重點實驗室。
論文主要研究內容是：最近的研究表明，基于視圖合成的自監督方法在多視圖立體 (MVS) 上取得了明顯的進展。然而，現有的方法依賴于不同視圖之間對應的點具有相同的顏色的假設，這在實踐中可能并不總是正確的。這可能會導致不可靠的自監督信號，損害最終的重建性能。為了解決這個問題，作者提出了一個以語義共分和數據增強為指導，集成了更可靠的監督框架。
論文地址：
http://34.94.61.102/paper_AAAI-2549.html
拿下了兩篇最佳論文亞軍。第一篇 “Self-Attention Attribution：Interpreting Information interactions inside transformer” 的一作名為 Yaru Hao，來自北京航空航天大學，二作名為董力，來自微軟研究院。這篇論文說，當前基于 Transformer 的一些模型，大多將其成功之處歸功于多頭自我注意機制，這種機制從輸入中學習 token，并對上下文信息進行編碼。先前的工作主要致力于針對具有不同顯著性度量的單個輸入特性的貢獻模型決策，但它們未能解釋這些輸入特征如何相互作用以達到預測。因此，這篇論文提出了一種自注意力歸因算法來解釋 Transformer 內部的信息交互。并以 BERT 為例廣泛進行研究。
論文地址：
https://www.aminer.cn/pub/5ea2b8bf91e01167f5a89d92/self-attention-attribution-interpreting-information-interactions-inside-transformer
第二篇 “Dual-Mandate Patrols: Multi-Armed Bandits for Green Security”，其一作 Lily xu（華人面孔，不確定是否是華人）是哈弗大學的博士生，第三作者中文名為方飛是卡內基梅隆大學計算機科學系的助理教授，其研究方向是博弈論 + 機器學習。這篇論文的主要研究內容是：環境保護。其從強化學習中的多臂老虎機 (Multi-armed Bandit) 算法入手，探究了如何避免偷獵者傷害野生動物。據悉，其算法在柬埔寨的真實偷獵數據上訓練之后，其性能顯著提升。
論文地址：
https://www.aminer.cn/pub/5f60a74b91e0113805870332/dual-mandate-patrols-multi-armed-bandits-for-green-security
拿下了兩篇最佳論文，其中一篇 “Informer: Beyond Efficient Transformer for Long SequenceTime-Series Forecasting”，第一作者名為 Haoyi Zhou 來自北航。這篇論文設計了一種高效的基于變換的長序列時間序列預測模型 Informer，旨在解決 Transformer 存在一些嚴重的問題，如二次時間復雜度、較高的內存使用量和編解碼器結構的固有限制等等。
論文地址：
https://www.aminer.cn/pub/5fd8acf991e0119b22c1f38d/informer-beyond-efficient-transformer-for-long-sequence-time-series-forecasting
第二篇名為 “Mitigating Political Bias in Language Models Through Reinforced Calibration”，第一作者名為 Ruibo Liu，顯然是為中國學子，來自達特茅斯學院計算機科學系，根據題目，這篇論文的主要研究內容是 “語言模型中的政治偏見” 問題。
論文數據一覽
本屆大會共評出了 3 篇最佳論文，3 篇最佳論文亞軍以及 6 篇杰出論文，11 個杰出資深主席，13 個優秀程序主席，此外還評出了前 25% 的評審者。
關于論文的評審，大會組委會說，在 rebuttal 階段，論文作者回應后，有 4537 篇論文的分數得到了改變，其中 40% 的論文分數上漲，60% 的論文分數下降。然而其實，只有 69% 的評審對了作者的回應.....
這次會議一共收到了 7911 篇論文，接收了 1696 篇，其接收率是 21.4%。與歷年相比，其接受率處于中等。值得一提的是，學生論文有 70.6% 的接受率。
關于投稿總數，近幾年 AI 領域一直處于上漲狀態，除了 2019 年相較于 2018 年有了近一倍的增長之外，這兩年投稿量增長則是緩慢趨勢。錄取率并不是穩定或者線性的，從上圖曲線可以看出，錄取率是波動狀態，且 2019 年最低，只有 16.9%；最高當屬 2013 年，接近 30%。
論文分地區來看，中國大陸論文總數仍然占據榜首，3319 篇的論文提交，627 篇的論文錄取，其有 19.0% 的錄取率。不過從提交的數目來看，占據了 1/3，錄取數占據了 36%。中國香港和中國臺灣也成績頗豐，分別有 31 篇和 20 篇被錄取。
論文分領域來看，機器學習、計算機視覺、NLP 以及數據挖掘和應用程序域分別占據總提交論文的 80%。
和去年相比，這個 “熱度” 排名仍然沒有改變。機器學習、計算機視覺、NLP 以及數據挖掘和應用程序域論文收錄數分別排名第一、第二、第三、第四。
哪個領域的論文接收率最高，組委會說，優化領域今年有 43% 的接受率，博弈論原理，搜索分別有 37%、33% 的接受率。而機器學習和計算機視覺各只有 20% 的接受率。
除了公布這些獎項，本次大會，還花了濃墨重彩介紹了本屆 AAAI 采用兩輪審稿政策，組委會說，共收到 9034 篇投稿。兩輪審稿政策對應兩類文章，第一類是非 NeurIPS 和 EMNLP 轉投論文；第二類是 NeurIPS 和 EMNLP 轉投論文。
第二類論文中，經過修改后的重投論文，如果是來自 NeurIPS，且總分數高于 4.9；如果是 EMNLP，且總分數高于 2.8 的話。那么可以直接進入到 AAAI 2021 審稿的第二階段。
在第一階段，每篇論文將分配兩名審稿人。如果這兩個審稿人認為該論文無法被錄用，那么該論文將直接被拒絕。沒有被拒的論文將進入第二階段。
在第二階段中，每篇論文將另外分配兩個審稿人。新的審稿人給出意見之前，他們是無法看到第一階段的評論，也就是審稿相互獨立。這意味著每篇被錄取的論文至少有四名審稿人把關，因此質量肯定能夠保證。
在審稿過程中，評審們共寫了 25226 個字的 “建議”，平均下來每位審稿人有 2632 個字。
在討論中，大多數論文的討論有 3~5 位參與，極少數有 17~26 位參與。當然。1~3 位和 5~7 位參與的討論的論文數，也有 1000 以上。平均下來，每篇論文有 4.6 個人參與討論，每個討論包含字數 358 個。
獲取更多資訊，請關注學術頭條同名公眾號——學術頭條，讓視野不再狹窄！
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
