携手创造，一起生长！这是我参加「日新计划 8 月更文挑战」的第26天，点击检查活动详情

ShowMeAI日报系列全新升级！掩盖AI人工智能 东西&结构 | 项目&代码 | 博文&共享 | 数据&资源 | 研讨&论文 等方向。点击检查 历史文章列表，在大众号内订阅话题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅读各专题全集。

亚马逊17亿美元收买iRobot，是吸尘器也是家庭数据收集器

www.irobot.com/

近日，亚马逊宣告，以约17亿美元的价格收买机器人吸尘器制造商iRobot。iRobot 在2002年推出第一款产品 Roomba 扫地机器人，凭一己之力打开了扫地机器人赛道。2018年起 iRobot Roombas 能够使用传感器和相机制作房屋结构地图，以便了解家具位置后逃避妨碍。iRobot 将加入亚马逊智能家居列表，与语音助手Alexa、机器人Astro 和安全摄像头Ring 等智一起补齐亚马逊的智能家居拼图，了解用户家庭空间并加快亚马逊在零售之外的增加。

东西&结构

『OFPS』通用光流处理库

github.com/h33p/ofps

光流，顾名思义，光的流动，比如人眼感受到的夜空中划过的流星。在核算机视觉中，光流指视频图画中代表同一方针的像素点，从一帧到下一帧的移动量。这个移动可所以相机或者物体移动引起的。光流处理是核算机视觉的重要使命，OFPS是对应该使命的一个通用光流处理库，OFPS Suite 可用于演示这一功能。

『EvoTorch』 直接构建在 PyTorch 之上的高级进化核算库

github.com/nnaisense/e…

evotorch.ai/

EvoTorch 是 NNAISENSE 根据PyTorch构建的开源进化核算库，能够处理各种优化问题，而不必忧虑手头的这些问题是否可微。能够用 EvoTorch 处理的问题类型包含：黑箱优化问题（接连或离散）、强化学习使命、监督学习使命。

『NERpy』命名实体辨认东西，支撑BertSoftmax、BertCrf、BertSpan等模型，开箱即用

github.com/shibing624/…

NERpy 完成了BertSoftmax、BertCrf、BertSpan等多种命名实体辨认模型，并在标准数据集上比较了各模型的效果。

『magical_spider』奇特的蜘蛛，简直适用于一切Web端站点的收集计划

github.com/lixi5338619…

一个轻量化的爬虫完成计划，带web端可视化办理界面。

博文&共享

『High Performance Browser Networking』Web功能威望指南 免费书本

hpbn.co/

谷歌公司高功能团队中心成员的威望之作，包含 Web 开发者技术系统中应该把握的一切网络及功能优化知识。全书以功能优化为主线，从TCP、UDP 和TLS 协议讲起，解说了怎么针对这几种协议和基础设施来优化应用。然后深入探讨了无线和移动网络的工作机制。最终，揭示了 HTTP 协议的底层细节，同时具体介绍了HTTP 2.0、 XHR、SSE、WebSocket、WebRTC 和DataChannel 等现代阅读器新增的具有革命性的新能力。

『机器学习计划手册』内容掩盖自然言语处理、图画与文字、核算机视觉

github.com/bipinKrishn…

bipinkrishnan.github.io/ml-recipe-b…

本书包含自然言语处理、图画与文字、核算机视觉三个部分，具有相当的专业深度，关于学习者和有一定经历的从业者都是适用的，关于建立深度学习模型并处理实践使命来说，都是有协助的。全书包含以下章节：

• Natural language processing / 自然言语处理
  • Named entity recognition / 命名实体辨认
  • Masked language modeling / 掩码言语建模
  • Machine translation / 机器翻译
  • Causal language modeling / 概率言语建模
• Image & Text / 图画与文字
  • Image captioning / 看图说话
• Computer vision / 核算机视觉
  • Image classification / 图画分类
  • Image segmentation / 图画分割
  • Object detection / 方针检测

数据&资源

『STAT 991 Topics In Modern Statistical Learning』 宾夕法尼亚大学现代计算学习专题课程材料(2022 Spring)

github.com/dobriban/To…

虽然现代机器学习办法在各类问题中具有很高的猜测精度，但正确量化其不确定性仍具有挑战性。这个范畴集中了很多的研讨和快速的开展，也是本课程的中心主题。

本课程将查询各类问题及处理办法，例如校准、猜测区间（和调集）、保形猜测、OOD检测等，并扼要评论最近有影响力的突破性论文、近期重要的计算学理论论文等。

『Awesome SQLite』SQLite 相关资源大列表

github.com/sqlsite/awe…

研讨&论文

大众号回复关键字日报，免费获取整理好的论文合辑。

科研进展

• 2022.08.05 『运动规划』Learning from Sparse Demonstrations
• 2022.08.05 『无人驾驶』LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in The Internet of Vehicles
• 2022.07.09 『图发掘』TwiBot-22: Towards Graph-Based Twitter Bot Detection
• 2022.07.13 『时刻序列猜测』DeepTIMe: Deep Time-Index Meta-Learning for Non-Stationary Time-Series Forecasting

⚡ 论文：Learning from Sparse Demonstrations

论文标题：Learning from Sparse Demonstrations

论文时刻：5 Aug 2020

范畴使命：Motion Planning，运动规划

论文地址：arxiv.org/abs/2008.02…

代码完成：github.com/wanxinjin/L… , github.com/wanxinjin/P…

论文作者：Wanxin Jin, Todd D. Murphey, Dana Kuli, Neta Ezer, Shaoshuai Mou

论文简介：The time stamps of the keyframes can be different from the time of the robot’s actual execution./关键帧的时刻戳可能与机器人的实践执行时刻不同。

论文摘要：本文开发了Continuous Pontryagin Differentiable Programming（Continuous PDP）办法，该办法使机器人能够从一些稀少的关键帧中学习方针函数。标有一些时刻戳的关键帧是希望的使命空间输出，机器人应按次序进行。关键帧的时刻戳可能与机器人的实践执行时刻不同。该办法联合寻觅一个方针函数和一个时刻歪曲函数，使机器人发生的轨道以最小的差异丢失次序跟随关键帧。接连PDP使用投影梯度下降法使差异丢失最小化，有效地处理了机器人轨道相关于不知道参数的梯度问题。该办法首先在一个模仿的机器人手臂上进行评价，然后应用于一个6DoF的四旋翼机器人，以学习未建模环境中运动规划的方针函数。成果显示了该办法的效率，其处理关键帧和机器人执行之间的时刻错位的能力，以及将方针学习推行到未见过的运动条件。

⚡ 论文：LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in The Internet of Vehicles

论文时刻：5 Aug 2022

范畴使命：Autonomous Vehicles, Intrusion Detection，无人驾驶

论文地址：arxiv.org/abs/2208.03…

代码完成：github.com/Western-OC2…

论文作者：Li Yang, Abdallah Shami, Gary Stevens, Stephen De Rusett

论文简介：Modern vehicles, including autonomous vehicles and connected vehicles, have adopted an increasing variety of functionalities through connections and communications with other vehicles, smart devices, and infrastructures./现代车辆，包含自动驾驶车辆和互联车辆，通过与其他车辆、智能设备和基础设施的衔接和通讯，现已集成了越来越多的功能。

论文摘要：现代车辆，包含自动驾驶车辆和互联车辆，现已通过与其他车辆、智能设备和基础设施的衔接和通讯，集成了越来越多的功能。但是，车辆互联网（IoV）日益增加的衔接性也增加了对网络进犯的脆弱性。为了维护物联网系统免受网络要挟，现已使用机器学习（ML）办法开发了能够辨认歹意网络进犯的侵略检测系统（IDS）。为了精确地检测物联网网络中的各种类型的进犯，咱们提出了一个新颖的调集IDS结构，命名为领导者类和信心决策调集（LCCDE）。它是通过在三种先进的ML算法（XGBoost、LightGBM和CatBoost）中为每一类或每一种进犯类型确定体现最好的ML模型。然后使用班级领导者模型及其猜测置信值，对各种类型的网络进犯的检测做出精确的决定。在两个公共物联网安全数据集（Car-Hacking和CICIDS2017数据集）上的试验证明了所提出的LCCDE对车辆内部和外部网络的侵略检测的有效性。

⚡ 论文：TwiBot-22: Towards Graph-Based Twitter Bot Detection

论文时刻：9 Jun 2022

范畴使命：Misinformation, Twitter Bot Detection，图发掘

论文地址：arxiv.org/abs/2206.04…

代码完成：github.com/luoundergra…

论文作者：Shangbin Feng, Zhaoxuan Tan, Herun Wan, Ningnan Wang, Zilong Chen, Binchi Zhang, Qinghua Zheng, Wenqian Zhang, Zhenyu Lei, Shujie Yang, Xinshun Feng, Qingyue Zhang, Hongrui Wang, YuHan Liu, Yuyang Bai, Heng Wang, Zijian Cai, Yanbo Wang, Lijing Zheng, Zihan Ma, Jundong Li, Minnan Luo

论文简介：Twitter bot detection has become an increasingly important task to combat misinformation, facilitate social media moderation, and preserve the integrity of the online discourse./Twitter机器人检测现已成为一项日益重要的使命，以冲击错误信息，促进社会媒体的调理，并坚持在线言语的完整性。

论文摘要：Twitter机器人检测现已成为一项日益重要的使命，以冲击错误信息，促进社会媒体的调理，并坚持在线言语的完整性。现在最先进的机器人检测办法一般使用Twitter网络的图结构，在面临传统办法无法检测到的新式Twitter机器人时，这些办法体现出良好的功能。但是，现有的Twitter机器人检测数据集很少是根据图的，即便这些少数根据图的数据集也存在数据集规划有限、图结构不完整以及注释质量低一级问题。事实上，缺少一个大规划的根据图的Twitter-bot检测基准来处理这些问题，严峻阻止了根据图的新式bot检测办法的开展和评价。在本文中，咱们提出了TwiBot-22，一个全面的根据图的Twitter机器人检测基准，它提出了迄今为止最大的数据集，提供了Twitter网络上多样化的实体和关系，而且具有比现有数据集更好的注释质量。此外，咱们重新完成了35个有代表性的Twitter机器人检测基准，并在包含TwiBot-22在内的9个数据集上对其进行了评价，以促进对模型功能的公平比较和对研讨进展的整体理解。为了促进进一步的研讨，咱们将一切完成的代码和数据集整合到TwiBot-22评价结构中，研讨人员能够一致地评价新模型和数据集。TwiBot-22推特机器人检测基准和评价结构可在 twibot22.github.io/ 上揭露获取。

⚡ 论文：DeepTIMe: Deep Time-Index Meta-Learning for Non-Stationary Time-Series Forecasting

论文时刻：13 Jul 2022

范畴使命：Meta-Learning, Time Series Forecasting，元学习，时刻序列猜测

论文地址：arxiv.org/abs/2207.06…

代码完成：github.com/salesforce/…

论文作者：Gerald Woo, Chenghao Liu, Doyen Sahoo, Akshat Kumar, Steven Hoi

论文简介：Yet, despite the attractive properties of time-index based models, such as being a continuous signal function over time leading to smooth representations, little attention has been given to them./但是，虽然根据时刻指数的模型具有吸引人的特性，比如在时刻上是一个接连的信号函数，导致滑润的表明，但很少有人对它们给予关注。

论文摘要：深度学习现已被积极地应用于时刻序列猜测，导致了很多新的自回归模型架构的呈现。但是，虽然根据时刻指数的模型具有吸引人的特性，比如作为一个接连的信号函数随时刻变化导致滑润的表明，但人们对它们的关注却很少。事实上，虽然原始的根据时刻指数的深度模型比经典的根据时刻指数的模型的手动预界说函数表明法更有体现力，但由于缺少归纳误差和时刻序列的非平稳性，它们在猜测方面是不够的。在本文中，咱们提出了DeepTIMe，一个通过元学习公式练习的根据时刻指数的深度模型，它克服了这些限制，发生了一个高效和精确的猜测模型。在实在世界的数据集上进行的广泛试验表明，咱们的办法取得了与最先进的办法有竞争力的成果，而且十分有效。代码可在 github.com/salesforce/… 获取。

咱们是 ShowMeAI，致力于传播AI优质内容，共享行业处理计划，用知识加快每一次技术生长！点击检查 历史文章列表，在大众号内订阅话题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅读各专题全集。

• 作者：韩信子@ShowMeAI
• 历史文章列表
• 专题合辑&电子月刊
• 声明：版权一切，转载请联系渠道与作者并注明出处
• 欢迎回复，拜托点赞，留言推荐中有价值的文章、东西或主张，咱们都会赶快回复哒~