https://mp.weixin.qq.com/s/d9CT1Zs4sjN9OqdmbwdbAw

By 超神经

场景描述：本期 arXiv 论文精选我们挑选了五篇九月份提交的 AI 方向论文，内容涉及机器人开发、人工智能安全、图像分类等多方向，涵盖实现方法、原理梳理、未来预期等，供大家学习参考。

关键词：arXiv    最佳论文

前段时间，我们曾汇总过五篇 arXiv 当月精选 AI 方向论文，点击以下链接查看以往文章↓

arXiv 精选：一文看尽六月最热五篇论文

今天我们再一次收集了 9 月 arXiv 精选论文，在假期的中段，希望大家在玩耍之际不要忘记学习哦~

《A Framework for Data-Driven Robotics》 数据驱动机器人技术的框架 论文链接：https://arxiv.org/pdf/1909.12200.pdf

该框架基于机器人开发经验的大型数据集，展示了如何应用此框架，在真实的机器人平台上完成三个不同的对象操作任务。

作者通过特殊形式的人类注释，来监督机器学习奖励机制，从而处理无法直接获取奖励信号的现实任务。学习奖励值与来自不同任务的大型经验数据集结合使用，以批量 RL 学习离线机器人策略。

数据驱动工作流示意

《Superintelligence Safety: A Requirements Engineering Perspective》 超智能的安全性：从需求工程出发 论文链接：https://arxiv.org/pdf/1909.12152.pdf

「人工智能的安全性」向来是一个热门议题，一旦人类需求表达不明确，或者出现歧义，「超人工智能」极有可能对人类造成威胁。

作者看来，减少人类表达不清对机器的误导，还需要在需求工程方面进行很多努力，比如基于 AI 的复杂软件密集型系统的建设。 智能机器到达人类级别的预估实现时间

《Two-stage Image Classification Supervised by a STSS Model》 通过 STSS 模型指导 two-stage 图像分类 论文链接：https://arxiv.org/pdf/1909.12111.pdf

two-stage 策略已广泛应用于图像分类，但是，这些方法在第二预测阶段并没有考虑第一阶段的分类标准。在本文中，作者提出了一种新型 two-stage representation 方法（TSR），并将其转换为 two-stage 图像分类框架中的 Single Teacher Single Student （STSS）问题。

图像数据集： (a) COIL-100, (b) MNIST,(c) MUCT, (d) FEI, (e) YouTubeFace.

《Towards Explainable Artificial Intelligence》 可解释的人工智能 论文链接：https://arxiv.org/pdf/1909.12072.pdf

近年来，机器学习（ML）已成为科学和工业的关键支持技术。由于嵌套的非线性结构，深度学习模型的预测准确性难免会受到影响。

为了提高深度学习模型的准确度，作者采用可视化方法，并梳理了该领域的最新发展和应用，呼吁在实践中广泛使用可解释的学习算法。

《Exascale Deep Learning to Accelerate Cancer Research》 Exascale 深度学习可加速癌症研究 论文链接：https://arxiv.org/pdf/1909.12291.pdf

在本文中，作者演示了可自动生成、针对特定应用量身定制的神经网络架构。该架构的衡量标准为预测的准确性和预测速度。

新架构整体速度较原始方法提升了近 16 倍，可以高效、准确地预测癌症发展阶段，方便医务人员跟进病情，及时调整治疗方案。 顶端图片为原始图片，底部图片通过橙色叠加层 突出了 TIL 出现的位置

以上就是 arXiv 9 月精选论文，大家可以复制链接在浏览器打开查看。

更多 AI 干货，敬请关注 HyperAI超神经公众号历史文章哦~

—— 完 —— 扫描二维码，加入 AI 讨论群 获得更多优质数据集 了解人工智能落地应用 关注顶会&论文 回复「读者」自动入群 更多精彩内容（点击图片阅读）