"wrapper AI" replaces portions of analyzed images with white noise to help assess original https://www.newscientist.com/article/2139396-peering-inside-an-ais-brain-will-help-us-trust-its-decisions

مقاله ی مطلب بالایی

🔵Latent Attention Networks

Christopher Grimm, Dilip Arumugam, Siddharth Karamcheti, David Abel, Lawson L.S. Wong, Michael L. Littman
(Submitted on 2 Jun 2017)
Deep neural networks are able to solve tasks across a variety of domains and modalities of data. Despite many empirical successes, we lack the ability to clearly understand and interpret the learned internal mechanisms that contribute to such effective behaviors or, more critically, failure modes. In this work, we present a general method for visualizing an arbitrary neural network's inner mechanisms and their power and limitations. Our dataset-centric method produces visualizations of how a trained network attends to components of its inputs.


https://arxiv.org/abs/1706.00536

#هوش_مصنوعی
#مقاله
#شبکه_عصبی_عمیق
#روان_شناسی_شناختی


🔵Interpreting Deep Neural Networks using Cognitive Psychology

Deep neural networks have learnt to do an amazing array of tasks - from recognising and reasoning about objects in images to playing Atari and Go at super-human levels. As these tasks and network architectures become more complex, the solutions that neural networks learn become more difficult to understand.
This is known as the ‘black-box’ problem, and it is becoming increasingly important as neural networks are used in more and more real world applications.

https://deepmind.com/blog/cognitive-psychology/


مقاله
https://arxiv.org/abs/1706.08606

🔵تمام پروژه‌های ایلان ماسک

بیزینس‌ویک زیرشاخهٔ بلومبرگ یک صفحه وب با طراحی تعاملی ساخته که در آن می‌توانید پیشرفت تک تک پروژه‌های ایلان ماسک را دنبال کنید

https://www.bloomberg.com/features/elon-musk-goals/

Strengthening African Machine Learning. Sharing our vision for the Indaba. https://www.deeplearningindaba.com/blog/strengthening-african-machine-learning

Can Artificial Intelligence & Robots fight the Cybercrime Epidemic? https://bit.ly/2uGtYgj #ai #ml #dl

"The 9 #DeepLearning Papers You Need To Know About" by Adit Deshpande
https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html

Towards Understanding Generalization of Deep Learning: Perspective of Loss Landscapes: init + geom. of loss func: https://arxiv.org/abs/1706.10239

The Best of Big Data: New Articles Published This Month (June 2017) https://blog.sicara.com/06-2017-best-big-data-new-articles-this-month-5c3478872a61

Super-Resolution via Deep Learning
https://arxiv.org/pdf/1706.09077.pdf

Detecting Small Signs from Large Images
https://arxiv.org/pdf/1706.08574.pdf

✍️چند روز پیش ترجمه ی این خبر را در کانال گذاشتیم امروز هم خبرگزاری ایسنا این خبر را ترجمه کرده است .

🌎نقش سیناپس مصنوعی در تحول هوش مصنوعی

همکاری دانشمندان عصب‌شناس و متخصصان هوش مصنوعی منجر به ساخت اولین نسل از سیناپس‌های مصنوعی دو منظوره برای فعالیت در مدل شبکه عصبی الکترونیک شد.
به گزارش خبرگزاری ایسنا، پردازش اطلاعات در شبکه عصبی مصنوعی باید با نحوه پردازش اطلاعات در مغز مطابقت داشته باشد. در این سیستم مصنوعی نورون‌های دیجیتال و سیناپس‌های مصنوعی در جایگاه نمونه طبیعی قرار می‌گیرند.

در این سیستم پیچیده سیناپس‌ها مانند دروازه‌ای برای انتقال سیگنال‌های حاوی اطلاعات از نورون‌ها عمل می‌کنند، البته حتی تصور نزدیک شدن به ظرفیت پردازش اطلاعاتی مغز با دانش فعلی غیرممکن است، چرا که در مغز انسان بالغ بر 100 هزار میلیارد سیناپس وجود دارد.

با وجود موفقیت‌های به دست آمده در زمینه هوش مصنوعی، متاسفانه به دلیل پیچیدگی سیناپس‌های مغزی در پستانداران، پیشرفت صنعت هوش مصنوعی هنوز با محدودیت‌هایی همراه است.

به عنوان مثال در مغز پستانداران دو نوع سیناپس با کارایی متفاوت وجود دارد. گروه اول سیناپس‌های مهارکننده و گروه دوم سیناپس‌های تحریک‌کننده هستند که به صورت همزمان فعالیت می‌کنند.

سیناپس‌های مصنوعی ساخته شده تا قبل از دستاورد جدید از مواد مورد استفاده در صنعت الکترونیک و در مقیاس نانو هستند که با محدودیت پردازش تنها یک سیگنال در لحظه مواجه‌ بودند.

دانشمندان چینی و آمریکایی در آخرین مطالعات خود موفق به ساخت سیناپس مصنوعی با قابلیت پردازش دو نوع سیگنال مشابه مغز انسان شدند.

سیناپس‌های جدید قادرند با دو ماهیت مجزا در یک قطعه فعالیت کنند. این قابلیت در گذشته بر روی تنها یک قطعه جامد سیناپس ممکن نبود اما به کمک فناوری جدید امکان تولید شبکه عصبی مشابه مغز میسر شده است.

سیناپس‌های تحریک کننده در مغز مسئول تحریک و آگاه ماندن مغز با توجه به شرایط هستند در حالی که سیناپس‌های مهار کننده فعالیت هیجانی مغز را کنترل و آرام می‌کنند.

سیناپس‌های مصنوعی جدید به طور شگفت‌انگیزی می‌توانند این قابلیت حیاتی در مغز را برای اولین‌بار در سیستم‌های رایانه‌ای اجرا کنند.

دانشمندان معتقدند که برای رسیدن به نسل بعدی هوش مصنوعی باید به طور دقیق الگوهای پردازش اطلاعات در مغز بررسی و به صورت جزئی تقلید شود.

فعالیت همزمان دو گروه سیناپس عصبی تحریک‌کننده و مهارکننده درست مشابه عملکرد سیستم گاز و ترمز در خودرو است. به عبارت دیگر برای عملکرد صحیح و کنترل شده مغز مصنوعی باید فعالیت دو گروه سیناپس به صورت همزمان اجرا شود.

منبع :خبرگزاری ایسنا


https://www.livescience.com/59671-artificial-synapses-could-lead-to-smarter-ai.html


مقاله اصلی
https://pubs.acs.org/doi/abs/10.1021/acsnano.7b03033

"Video Imagination from a Single Image with Transformation Generation": https://arxiv.org/abs/1706.04124 Code: https://github.com/gitpub327/VideoImagination

Strong results for action recognition by transferring Inception weights of ImageNet to video
https://arxiv.org/abs/1705.07750

deeplearning For Image Recognition : Deep Learni here https://zpy.io/e254fa70 #deeplearning

Navigating the #AI #ethical minefield without getting blown up

https://bit.ly/2tfVByU #fintech #BigData #IoT #machinelearning

Bat Detective - #DeepLearning Tools for Bat Acoustic Signal Detection.
https://buff.ly/2unYgF0 #BigData #MachineLearning #DataScience #AI

DeepMind expands to Canada with new research office in Edmonton, Alberta https://deepmind.com/blog/deepmind-office-canada-edmonton/

#AI is changing how we do #science. Get a glimpse

#ML #DataScience #BigData
#fintech #Insurtech
https://bit.ly/2uqdtp9

Stanford's Convolutional #NeuralNetworks for #Visual Recognition (CS231n): Course Projects Spring 2017 https://buff.ly/2tNXvIB