近期神奇機(jī)器學(xué)習(xí)應(yīng)用大賞

大家好久不見(jiàn)呀這里是你們的白鹡鸰，不知道各位有沒(méi)有想我反正我是有想各位了～由于各種大人的原因，最近在賣(mài)萌屋存在感不高。雖然還要再等一段時(shí)間才能搞事情，但是，在日常的刷文章過(guò)程中，白鹡鸰實(shí)在是被整樂(lè)(yue)了，于是忍不住提前爬上來(lái)眾樂(lè)樂(lè)一波。

眾所周知，Arxiv本質(zhì)上是一個(gè)預(yù)注冊(cè)研究想法的網(wǎng)站，優(yōu)點(diǎn)是文章更新又多又快，缺點(diǎn)是文章質(zhì)量良莠不齊，全得靠人肉分辨。今天的主題就是最近白鹡鸰看到的一些Arxiv上機(jī)器學(xué)習(xí)領(lǐng)域有趣的文章，無(wú)論它們的質(zhì)量如何，那研究?jī)?nèi)容實(shí)在是真的獨(dú)特到讓人忍不住多看一眼。

基于卷積神經(jīng)網(wǎng)絡(luò)的馬匹情感識(shí)別

Emotion Recognition in Horses with Convolutional Neural Networks

https://arxiv.org/abs/2105.11953

“您了解馬嗎？您關(guān)心馬嗎？這位朋友，請(qǐng)?jiān)试S我用幾分鐘的時(shí)間，向您介紹一下基于卷積神經(jīng)網(wǎng)絡(luò)的馬的面部表情識(shí)別模型?！?/p>

兩位來(lái)自MIT的朋友八成是期末要交AI大作業(yè)了，硬生生搞出了這么個(gè)玩意兒。沒(méi)有專業(yè)人士支持的標(biāo)注，400張圖片的訓(xùn)練集和80張圖片的驗(yàn)證集，就提一個(gè)問(wèn)題——為什么要上CNN呢？迫擊炮打蚊子大概就是指這種情況吧。他們還特地做了個(gè)交互界面，上傳圖片，哦，是一匹好奇的馬。厲害，厲害。然而，我不關(guān)心馬，我目前見(jiàn)到的會(huì)關(guān)心馬的情緒的也只有你們倆，好了，下一個(gè)。

基于視覺(jué)的豬對(duì)新鮮事物的偏好行為識(shí)別

Vision-based Behavioral Recognition of Novelty Preference in Pigs

https://arxiv.org/abs/2106.12181

人的悲歡并不相通，但腦回路可能產(chǎn)生共鳴。UIUC不同專業(yè)的同學(xué)們，聯(lián)合起來(lái)！動(dòng)物學(xué)農(nóng)業(yè)學(xué)再加上一個(gè)計(jì)算機(jī)的，他們的課題是豬對(duì)新事物的認(rèn)知情況。標(biāo)了幾段視頻，然后，LRCN。就報(bào)告內(nèi)容而言，看起來(lái)比做馬臉識(shí)別的那一組專業(yè)一點(diǎn)，好歹還知道調(diào)一調(diào)預(yù)訓(xùn)練模型的參數(shù)，結(jié)果可視化也還可以，如果我是動(dòng)物行為學(xué)課程的老師應(yīng)該能給個(gè)A+。不過(guò)，仔細(xì)想想這一組的分工，怎么都有點(diǎn)后背發(fā)涼。

人工智能，讓孩子的數(shù)學(xué)學(xué)習(xí)“減負(fù)”！

FINNger -- Applying Artificial Intelligence to Ease Math Learning for Children

https://arxiv.org/abs/2105.12281

為什么會(huì)變成這樣呢……明明數(shù)學(xué)是快(diao)樂(lè)(fa)的，機(jī)器學(xué)習(xí)也是快(diao)樂(lè)(fa)的，兩件快樂(lè)事情重合在一起，得到的，本該是像夢(mèng)境一般幸(tu)福(ding)的時(shí)間……但是，為什么，會(huì)變成這樣？讓幼兒園小朋友學(xué)編程難不難我不知道，但好歹教材還是人寫(xiě)的，但這拿機(jī)器學(xué)習(xí)來(lái)教數(shù)學(xué)，還真就不是人干事了，??！

這篇論文的實(shí)質(zhì)是手勢(shì)識(shí)別，在小朋友做完計(jì)算題之后，圖像識(shí)別檢查正確答案。但是，這應(yīng)用背景真的太迷惑了，我把自己帶入了一下小朋友，如果都學(xué)會(huì)了加減乘除這樣抽象的邏輯思維，寫(xiě)幾個(gè)數(shù)字必然不在話下，何必還要用手指來(lái)比劃呢？而作者宣稱的“這是面對(duì)欠發(fā)達(dá)地區(qū)的教育手段”也不成立，因?yàn)檫@樣的教育儀器做出來(lái)，成本絕對(duì)高于人工，對(duì)操作者的教育水平也有所要求，根本不是欠發(fā)達(dá)地區(qū)負(fù)擔(dān)得起的。這個(gè)動(dòng)機(jī)簡(jiǎn)直透著一股“何不食肉糜”的味道。

基于機(jī)器學(xué)習(xí)和自然語(yǔ)言處理的MBTI人格預(yù)測(cè)

Extending the Abstraction of Personality Types based on MBTI with Machine Learning and Natural Language Processing

https://arxiv.org/abs/2105.11798

看著文中羅列的機(jī)器學(xué)習(xí)方法，讓人回憶起了被綜述類大作業(yè)支配的恐懼。當(dāng)你對(duì)要綜述的學(xué)科和相關(guān)工作理解不夠深刻時(shí)，無(wú)論一篇文章與這門(mén)學(xué)科的實(shí)質(zhì)任務(wù)有什么關(guān)聯(lián)，都只能胡亂復(fù)述一遍好湊字?jǐn)?shù)。然而，本科生水水報(bào)告還可以理解，一個(gè)國(guó)際心理學(xué)協(xié)會(huì)的成員還這樣泄洪就離譜了呀。針對(duì)特定領(lǐng)域的數(shù)據(jù)驅(qū)動(dòng)型研究，對(duì)數(shù)據(jù)集的特征沒(méi)有描述和總結(jié)，對(duì)任務(wù)沒(méi)有定義和限制。Logic Regression與BERT齊飛，SVM與LSTM共一色。如果是回顧型工作，就該介紹一下過(guò)往的相關(guān)研究；如果是開(kāi)創(chuàng)型工作，那好歹也該說(shuō)明應(yīng)用的算法的合理性。然而，翻開(kāi)論文一看，這密密麻麻幾十頁(yè)的沒(méi)個(gè)重點(diǎn)，結(jié)論更是迷迷惑惑，橫豎看了半天，原來(lái)全篇都寫(xiě)著兩個(gè)字：“灌水”！

基于機(jī)器學(xué)習(xí)的面部骨骼生長(zhǎng)預(yù)測(cè)

Prediction of the Facial Growth Direction with Machine Learning Methods

https://arxiv.org/pdf/2106.10464

通過(guò)人在幼年時(shí)期頭骨的形狀，預(yù)測(cè)其成年時(shí)面相的變化。其實(shí)這個(gè)工作挺有價(jià)值的，比如說(shuō)對(duì)走失兒童、無(wú)名尸體的鑒別，或者醫(yī)美方面都用得上，說(shuō)不定還能給中國(guó)傳統(tǒng)文化之算命提供一定的可解釋性。但是，這個(gè)模型建不建得出來(lái)出來(lái)要打個(gè)問(wèn)號(hào)：如果以頭骨的數(shù)據(jù)作為輸入，那這個(gè)任務(wù)隱含的假設(shè)是小時(shí)候長(zhǎng)相相似的人在成長(zhǎng)過(guò)程中面部變化的傾向也會(huì)相似，而實(shí)際上，基因、成長(zhǎng)環(huán)境、生活習(xí)慣等因素都對(duì)人的長(zhǎng)相有重要的影響。此外，如果真的想為這個(gè)任務(wù)建一個(gè)數(shù)據(jù)集，那么十年左右的數(shù)據(jù)采集周期是必不可少的。只能說(shuō)，祝研究者好運(yùn) ：）

利用深度學(xué)習(xí)的足球防守行為效果評(píng)估

What Happened Next? Using Deep Learning to Value Defensive Actions in Football Event-Data

https://arxiv.org/abs/2106.01786

歐洲杯期間發(fā)篇深度學(xué)習(xí)+足球防守的文章聽(tīng)起來(lái)還是很合理的。今天研究防守中具體行為的效果，明天說(shuō)不定就能做防守策略，再過(guò)一陣子，四舍五入就可以不用請(qǐng)足球教練了，這可真是節(jié)約經(jīng)費(fèi)的好辦法。不過(guò)這個(gè)任務(wù)中，最難的應(yīng)該是收集球員的數(shù)據(jù)，畢竟不同的人在應(yīng)對(duì)局勢(shì)時(shí)的選擇是不一樣的，想準(zhǔn)確預(yù)測(cè)個(gè)體行為建議輸入端多加幾個(gè)博弈模型。此外，人在極限情況下的爆發(fā)力是難以預(yù)計(jì)的，為了增加系統(tǒng)的穩(wěn)定性，建議未來(lái)的足球比賽將人換成機(jī)器人，從而方便控制數(shù)值上限。不過(guò)好像這樣一來(lái)還是不夠簡(jiǎn)便，不如直接在計(jì)算機(jī)里做幾個(gè)人物模型跑跑VR足球比賽——體育比賽就是用來(lái)挑戰(zhàn)人類極限的娛樂(lè)活動(dòng)，正擱這兒玩的起勁呢，非要用精密的計(jì)算破壞這種參與感，爪巴。

家居裝潢必備神經(jīng)網(wǎng)絡(luò)

Style Similarity as Feedback for Product Design

https://arxiv.org/pdf/2105.12256

“我要用神經(jīng)網(wǎng)絡(luò)來(lái)搞設(shè)計(jì)。”
“呃……”
“設(shè)計(jì)的是裝修風(fēng)格?！?br>“好耶！”
“設(shè)計(jì)裝修風(fēng)格的本質(zhì)是識(shí)別圖片?！?br>“呃……”
“可以給用戶推薦特定風(fēng)格的家具產(chǎn)品?！?br>“……”

這大概就是我在看論文的時(shí)候的心情波動(dòng)。老實(shí)說(shuō)，這個(gè)想法還挺誘人的，如果只需要輸入戶型，地理位置，想要的裝修風(fēng)格，計(jì)算機(jī)就能自動(dòng)幫你生成裝修方案，甚至還找好裝修方案里所有商品的購(gòu)買(mǎi)途徑。那么這個(gè)世界上應(yīng)該會(huì)少很多類似于門(mén)口放人俑，屋頂?shù)醍?huà)檐的裝修事故。然而，理想是美好的，現(xiàn)實(shí)是慘烈的，文章的開(kāi)頭吹上了天，而實(shí)際功能只是風(fēng)格識(shí)別+相似推薦，和裝修限定版的電商推薦算法沒(méi)什么本質(zhì)區(qū)別，實(shí)在是欺騙感情。

基于深度神經(jīng)網(wǎng)絡(luò)的非侵入式電力負(fù)載監(jiān)控

More Behind Your Electricity Bill: a Dual-DNN Approach to Non-Intrusive Load Monitoring

https://arxiv.org/pdf/2106.00297

乍一看，白鹡鸰還以為這篇文章是講通過(guò)電費(fèi)評(píng)估信貸能力的，還暗笑莫不是“不想查電表的研究人員不是好金融大佬”。然而，實(shí)際上這是正兒八經(jīng)用電表波動(dòng)估計(jì)家電使用情況的研究。本質(zhì)是通過(guò)輸出波形還原多個(gè)輸入波的問(wèn)題基于的原理是不同的電器耗電的波形和頻率都有各自獨(dú)立的特征。雖然波的疊加是線性的，看起來(lái)沒(méi)必要用機(jī)器學(xué)習(xí)。但是在正常情況下，要知道每個(gè)家庭有哪些電器和這些電器在不同工作狀態(tài)下的耗能模式顯然不是一件合法的事情（除非你真的干了什么要讓人查電表的事情）。而且，一般來(lái)說(shuō)，電力監(jiān)控也不是針對(duì)任何個(gè)體的行為，而是為了獲得群體的用電習(xí)慣，從而更好地分配電力，需要處理的數(shù)據(jù)不僅量大還具有多樣性。因此，用DNN來(lái)做電力監(jiān)控監(jiān)控還是合理的。

當(dāng)然，想想這項(xiàng)技術(shù)還可以用來(lái)檢測(cè)個(gè)人的活動(dòng)軌跡和生活習(xí)慣，還是有點(diǎn)令人毛骨悚然的。

基于視覺(jué)的食物識(shí)別與食譜評(píng)估

A Review of the Vision-based Approaches for Dietary Assessment

https://arxiv.org/pdf/2106.11776

The Food Recognition Benchmark: Using DeepLearning to Recognize Food on Images

https://arxiv.org/abs/2106.14977

不會(huì)吧不會(huì)吧，連圖片識(shí)別食物式營(yíng)養(yǎng)學(xué)都配擁有綜述和benchmark了？看到這兩篇文章的時(shí)候，我的認(rèn)知出現(xiàn)了一些動(dòng)搖。即使我們身處在一個(gè)一道菜只擁有一份配方的世界，能用一模一樣的火候，做出份量完全一樣的食物，請(qǐng)問(wèn)火腿和人工肉怎么區(qū)分？長(zhǎng)得像櫻桃的紅酒鵝肝又該怎么處理？更別提，最近開(kāi)始流行用草莓做成的長(zhǎng)得像草莓的龍吟草莓了。即使能夠解決靠圖片估計(jì)食物重量的問(wèn)題，圖片這種單一模態(tài)的輸入也完全無(wú)法提供足夠用來(lái)確認(rèn)食物品種的信息啊。如果說(shuō)，這個(gè)任務(wù)追求的只是粗糙的食物品種識(shí)別和單位重量?jī)?nèi)熱量范圍估計(jì)，好吧，當(dāng)我沒(méi)說(shuō)。但是這一點(diǎn)點(diǎn)的估計(jì)失誤，幾百卡的熱量可能就吃進(jìn)去了，這可令人放心不下啊。

來(lái)之不義的人臉數(shù)據(jù)集

Indian Masked Faces in the Wild Dataset

https://arxiv.org/abs/2106.09670

拿一個(gè)新發(fā)布的數(shù)據(jù)集作為壓軸，是想說(shuō)兩件事：

1. 作為研究者，請(qǐng)注意道德底線。
2. 作為普通人，請(qǐng)注意保護(hù)隱私。

這篇文章的作者認(rèn)為他們提供了一個(gè)具有多樣性的面部有遮擋數(shù)據(jù)集，是在為新冠時(shí)期帶口罩的面部識(shí)別任務(wù)提供幫助。而我認(rèn)為，這群作者為了水文章丟掉了他們底線。他們?cè)谖唇?jīng)授權(quán)的情況下，從Instagram上下載了他人的自拍圖像，而基于這些數(shù)據(jù)提出的挑戰(zhàn)，卻未必是一個(gè)有價(jià)值的任務(wù)。事實(shí)上，人臉識(shí)別技術(shù)已經(jīng)比較成熟，用自己帶口罩的樣子多刷刷屏幕，手機(jī)已經(jīng)能學(xué)會(huì)自動(dòng)解鎖。可以說(shuō)，這項(xiàng)技術(shù)的上限基本已經(jīng)擺在那里了，實(shí)裝效果只和軟硬件配置條件有關(guān)。在這種情況下，為了發(fā)篇文章侵犯他人隱私，這種行為必須譴責(zé)。另一方面，這也說(shuō)明了社交平臺(tái)上發(fā)自拍確實(shí)是一件有風(fēng)險(xiǎn)的事情，這批研究者還只是拿臉來(lái)學(xué)學(xué)模型，萬(wàn)一哪天自拍被用來(lái)FakeGAN了，哦呵呵呵呵呵呵。

最后的話

與往期各種nb到閃閃發(fā)光的推文不同，今天的故事是圍繞Arxiv上更能代表世界的參差——甚至是下限的那批文章展開(kāi)的。有許許多多的工作，在假設(shè)沒(méi)有說(shuō)清楚，問(wèn)題價(jià)值沒(méi)有評(píng)估好的情況下，就稀里糊涂地開(kāi)工了。他們的作者可能是迫于課程壓力、或者學(xué)位要求，制造了一堆創(chuàng)新性欠缺，實(shí)驗(yàn)不充分的文本，還勇氣可嘉地投放到了Arxiv上分享。不過(guò)，禍兮福兮，他們的文章湊巧被浪行飛翔的白鹡鸰看到了，于是，至少拿來(lái)奇文共欣賞，成功吸引到與原本文章質(zhì)量不符的關(guān)注度了（手動(dòng)滑稽）。

最后，請(qǐng)大家注意：

Arxiv有風(fēng)險(xiǎn)，刷文需謹(jǐn)慎！

往期精彩：
 男人30歲，不該有暮氣
【原創(chuàng)首發(fā)】機(jī)器學(xué)習(xí)公式推導(dǎo)與代碼實(shí)現(xiàn)30講.pdf
【原創(chuàng)首發(fā)】深度學(xué)習(xí)語(yǔ)義分割理論與實(shí)戰(zhàn)指南.pdf
 談中小企業(yè)算法崗面試
 算法工程師研發(fā)技能表
 真正想做算法的，不要害怕內(nèi)卷
 算法工程師的日常，一定不能脫離產(chǎn)業(yè)實(shí)踐
 技術(shù)學(xué)習(xí)不能眼高手低
 技術(shù)人要學(xué)會(huì)自我營(yíng)銷(xiāo)
 做人不能過(guò)擬合
求個(gè)在看