真的？听声音就能识别新冠患者？DeepMind海龟面部识别AI实践；数据建模与数据库最新课程；推荐系统快速实现框架；前沿论文 | ShowMeAI资讯日报
📢 AI 模型『听声音』判断是否感染新冠病毒，准确率比快速抗原测试还高
www.eurekalert.org/news-releas…
当地时间9月5日，西班牙巴塞罗那举行的欧洲呼吸学会（ERS）国际大会上的一项研究显示，人工智能可通过手机应用程序从人们声音中检测出新冠肺炎感染，它比快速抗原测试更准确，且更便宜、快速和易于使用。
马斯特里赫特大学数据科学科学研究所的研究人员Wafaa Aljbawi在大会上表示，研究使用了剑桥大学 893 个音频样本数据集，语音特征由 Mel-spectrogram 分析法提取得到。利用语音数据，开发了长短时记忆（LSTM）、卷积神经网络（CNN）等深度学习分类模型来检测 COVID-19 的阳性病例。
研究结果表明，深度学习可以检测出 COVID-19 患者声音的微妙变化。与抗原测试相比，我们的模型的灵敏度有了明显的提高（84% vs. 56.2%），但特异性较低（83% vs. 99.5%）。作为其他测试技术的补充，通过简单的语音分析，这个模型可以帮助快速诊断 COVID-19 病例。
工具&框架
🚧 『QRec』可快速实现推荐系统的Python框架
QRec 是一个用于推荐系统的Python框架（支持Python 3.7.4和Tensorflow 1.14+），其中实现了一些有影响力的、最新的推荐模型。QRec 有一个轻量级的架构，可以促进模型的实现和评估，并提供用户友好的界面。
🚧 『LightGBM Transform』LightGBM 特征转换库
LightGBM Transform 在使用 LightGBM 时提供一种灵活且自动的方式来进行特征转换。与单独的转换相比，这种方式更有效率，也更便于开发和迭代：
- 更有效率。数据预处理可以与解析每一行一起进行，并自然地利用 LightGBM 设计的多处理，不需要将整个转换后的数据存储在文件/内存中。
- 更便于开发和迭代。内置的转换可以通过与模型一起保存/加载来保持离线和在线的一致性。
🚧 『Apache Sedona』用于处理大规模空间数据的集群计算系统
Apache Sedona（incubating）是一个用于处理大规模空间数据的集群计算系统。Sedona 为 Apache Spark 和 Apache Flink 等集群计算系统配备了一套开箱即用的分布式空间数据集和空间SQL，可以在机器间有效地加载、处理和分析大规模空间数据。
🚧 『pyampute』用于在完整数据集中生成缺失值(例如截断)、探索不完整数据集的Python库
pyampute 是一个 Python 工具库，用于生成完整数据集的缺失值（即截断）和探索不完整数据集。pyampute 提供了 MultivariateAmputation 这个用于生成完整数据集的缺失值的转化器，还提供 mdPatterns 和 MCARTest 用于检查不完整数据集。
🚧 『oslo』开源大规模模型优化框架
OSLO是大规模模型优化的开源框架。
博文&分享
👍 『Data Modelling and Databases』苏黎世联邦理工·数据建模与数据库· 2022课程
课程涵盖了数据库和信息系统的设计、实施的基本方面。课程侧重于关系型数据库，但也将涵盖数据库以外的数据管理问题，如：交易一致性、复制、数据仓库、其他数据模型，以及SQL。在第一个链接观看课程视频，在第二个链接下载课程课件。
👍 『Advancing conservation with AI-based facial recognition of turtles』基于AI的海龟面部识别与物种保护
生物学家认为海龟是一种指示物种，其行为有助于科学家了解所在生态系统的潜在发展。 生物学家使用物理标签等传统方法识别与跟踪个体海龟，但是这些标签在海水中会频繁丢失或被侵蚀，使得这种方法变得不那么可靠。
因此 DeepMind 与 Zindi 合作，发起了一项名为 Turtle Recall 的机器学习挑战赛，通过海龟面部各异且稳定的鳞片图案识别，提高海龟重新识别的可靠性和速度。
比赛于2021年11月开始，历时五个月，收到了来自 13 个不同国家的AI爱好者提交的作品。项目的更多信息可以查看上方第二个链接。
数据&资源
🔥 『wandb tutorial』wandb使用教程，免费的机器学习训练过程记录工具
wandb 是一个免费的、用于记录机器学习训练过程数据的工具，具有用户管理、团队管理、项目管理等功能。本教程包含环境设置、基础使用方法、超参数搜索、数据和模型管理、wandb本地部署等内容。
🔥 『compiler and arch』新兴编译器与架构相关资源大列表
研究&论文
公众号后台回复关键字 日报，免费获取整理好的论文合辑。
科研进展
- 2022.08.19 『图像生成』 Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise
- 2022.08.24 『联邦学习』 Federated Learning via Decentralized Dataset Distillation in Resource-Constrained Edge Environments
- 2022.08.22 『计算机视觉』 Individual Tree Detection in Large-Scale Urban Environments using High-Resolution Multispectral Imagery
⚡ 论文：Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise
论文时间：19 Aug 2022
领域任务：Image Restoration, Variational Inference，图像生成，变分
论文作者：Arpit Bansal, Eitan Borgnia, Hong-Min Chu, Jie S. Li, Hamid Kazemi, Furong Huang, Micah Goldblum, Jonas Geiping, Tom Goldstein
论文简介：We observe that the generative behavior of diffusion models is not strongly dependent on the choice of image degradation, and in fact an entire family of generative models can be constructed by varying this choice./我们观察到，扩散模型的生成行为并不强烈依赖于图像退化的选择，事实上，整个生成模型系列可以通过改变这种选择而被构建。
论文摘要：标准的扩散模型涉及一个图像变换--添加高斯噪声--和一个颠倒这种退化的图像恢复算子。我们观察到，扩散模型的生成行为并不强烈依赖于图像退化的选择，事实上，整个生成模型系列可以通过改变这种选择来构建。即使在使用完全确定的退化（如模糊、遮蔽等）时，作为扩散模型基础的训练和测试时间更新规则也可以很容易地被泛化以创建生成模型。这些完全确定的模型的成功使人们对社区对扩散模型的理解产生了疑问，这种理解依赖于梯度朗文动力学或变异推理中的噪声，并为逆转任意过程的广义扩散模型铺平了道路。我们的代码可在github.com/arpitbansal…
⚡ 论文：Federated Learning via Decentralized Dataset Distillation in Resource-Constrained Edge Environments
论文时间：24 Aug 2022
领域任务：Federated Learning，联邦学习
论文作者：Rui Song, Dai Liu, Dave Zhenyu Chen, Andreas Festag, Carsten Trinitis, Martin Schulz, Alois Knoll
论文简介：We introduce a novel federated learning framework, FedD3, which reduces the overall communication volume and with that opens up the concept of federated learning to more application scenarios in network-constrained environments./我们引入了一个新颖的联合学习框架FedD3，它减少了整体的通信量，并由此将联邦学习的概念开辟到网络受限环境中的更多应用场景。
论文摘要：我们介绍了一个新颖的联合学习框架FedD3，它减少了整体的通信量，并由此将联邦学习的概念开辟到网络受限环境中的更多应用场景。它通过利用本地数据集的提炼而不是传统的学习方法来实现这一目标，(i)显著减少通信量，(ii)将传输限制在一次通信，而不是迭代的多路通信。FedD3不是像其他联合学习方法那样共享模型更新，而是允许连接的客户端独立提炼本地数据集，然后在整个网络中只聚合这些分散的提炼数据集（通常是以一些无法识别的图像的形式，这些图像通常比模型小）以形成最终模型。我们的实验结果表明，FedD3在所需的通信量方面明显优于其他联合学习框架，同时它还提供了额外的好处，能够根据使用场景或目标数据集，平衡准确性和通信成本之间的权衡。例如，在有10个客户端的非IID CIFAR-10数据集上训练AlexNet模型，与其他一次性联合学习方法相比，FedD3可以在类似的通信量下提高71%以上的准确性，或者节省98%的通信量，同时达到同样的准确性。
⚡ 论文：Individual Tree Detection in Large-Scale Urban Environments using High-Resolution Multispectral Imagery
论文时间：22 Aug 2022
领域任务：计算机视觉
论文作者：Jonathan Ventura, Milo Honsberger, Cameron Gonsalves, Julian Rice, Camille Pawlak, Natalie L. R. Love, Skyler Han, Viet Nguyen, Keilana Sugano, Jacqueline Doremus, G. Andrew Fricker, Jenn Yost, Matt Ritter
论文简介：We introduce a novel deep learning method for detection of individual trees in urban environments using high-resolution multispectral aerial imagery./我们介绍了一种新型的深度学习方法，用于使用高分辨率多光谱航空图像检测城市环境中的单个树木。
论文摘要：我们介绍了一种新型的深度学习方法，用于使用高分辨率多光谱航空图像检测城市环境中的单个树木。我们使用卷积神经网络来回归显示单个树木位置的置信图，这些树木使用峰值查找算法进行定位。我们的方法通过检测公共和私人空间的树木提供了完整的空间覆盖，并且可以扩展到非常大的区域。在我们横跨南加州五个城市的研究区域，我们取得了0.735的F分数和2.157米的RMSE。我们用我们的方法制作了加州城市森林中所有树木的地图，表明我们的方法有可能支持未来前所未有的城市森林研究。
我们是 ShowMeAI，致力于传播AI优质内容，分享行业解决方案，用知识加速每一次技术成长！
◉ 点击 日报合辑，在公众号内订阅话题 #ShowMeAI资讯日报，可接收每日最新推送。
◉ 点击 电子月刊，快速浏览月度合辑。
转载自:https://juejin.cn/post/7140134849544716324