本周关键词：无人驾驶、边缘计算、机器学习可解释性

AI新闻

在军事中应用AI没有回头路

WIRED发表文章称，比起对滥用AI的恐惧，美国更恐惧的是在数字化军备竞赛中输给中国。

详情：

https://www.wired.com/story/opinion-theres-no-turning-back-on-ai-in-the-military/

Uber司机工会要求欧盟法院否决“自动开除”算法

前Uber司机在欧洲对该公司提出了法律诉讼，称其“自动开除”算法违反了GDPR（General Data Protection Regulation ）。

详情：

https://venturebeat.com/2020/10/26/uber-drivers-union-asks-eu-court-to-overrule-robo-firing-by-algorithm/

数千个推特机器人正在放大阴谋论

南加州大学的研究人员发现了机器人在美国大选前散布阴谋论的证据。

详情：

https://venturebeat.com/2020/10/28/study-identifies-thousands-of-twitter-bots-amplifying-conspiracy-theories-ahead-of-the-u-s-elections/

Waymo无人驾驶汽车在20个月内发生18起事故

Waymo发布了一份安全报告，概述了其汽车在凤凰城行驶20个月内所遭遇的事故和近距离碰撞。

详情：

https://venturebeat.com/2020/10/30/waymos-driverless-cars-were-involved-in-18-accidents-over-20-month/

AI学术

机器学习的可解释性：简史、现状和挑战

近年来，对可解释机器学习的研究蓬勃发展。尽管这是一个很年轻的领域，但它在回归建模和基于规则的机器学习方面已有200多年的历史了，它的实际诞生日期，是在20世纪60年代。

本文简要介绍了可解释机器学习（IML）领域的历史，概述了最新的解释方法，并讨论了这一领域面临的挑战。

最近，许多新的IML方法被提出，其中许多是模型不可知论的，但也解释了特定于深度学习和基于树的集成的技术。该领域已接近成熟和稳定的状态，许多方法不仅在研究中提出，而且在开源软件中也得到了实现。但IML在处理相关特征、因果解释和不确定性估计等方面仍存在许多重要的挑战，需要解决这些问题才能成功地应用于科学问题。

原文：

https://arxiv.org/abs/2010.09337v1?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter

边缘计算时代的深度学习：挑战与机遇

边缘计算正在彻底改变我们的生活、工作和与世界互动的方式。随着最近在深度学习方面的突破，预计在可预见的未来，大多数边缘设备将配备由深度学习驱动的机器智能。

在边缘计算时代，要实现深度学习的全部承诺，有许多艰巨的挑战需要解决。

在这篇论文中，研究人员提出了计算机系统、网络和机器学习交叉点的八个挑战。这些挑战包括DNN模型的高计算需求和边缘设备有限的电池寿命之间的矛盾、现实世界环境中的数据差异、处理异构传感器数据的需要以及异构计算单元上并发的深度学习任务所需要的性能。这项研究还提出了有潜力应对这些挑战的方法。

原文：

https://arxiv.org/abs/2010.08861?utm_campaign=AI%20Scholar%20Weekly%20&utm_medium=email&utm_source=Revue%20newsletter

实习/全职编辑记者招聘ing

加入我们，亲身体验一家专业科技媒体采写的每个细节，在最有前景的行业，和一群遍布全球最优秀的人一起成长。坐标北京·清华东门，在大数据文摘主页对话页回复“招聘”了解详情。简历请直接发送至zz@bigdatadigest.cn

志愿者介绍

后台回复“志愿者”加入我们

点「在看」的人都变好看了哦！

AI大事件 | Uber“自动开除”算法被告，推特机器人大发阴谋论