SAIGE是一组研究人员,由Minje金(简历),在机器学习来解决现实世界的信号处理问题。

我们生活的世界充满了复杂的问题。AI系统来解决这些问题,它涉及到一个复杂的模型,可以最好的近似问题。似乎在这个人工智能的时代,我们终于买得起那些复杂的模型由于计算能力的技术进步,在机器学习算法理论的进步,大数据的可用性。因此,人工智能开始与人类智慧在一些竞争问题。

然而,我们认为,人工智能是失踪自然情报肯定拥有很多强大的功能。例如,你的大脑需要十倍的糖摄入量时解决问题更加困难十倍?蚊子需要多少能量目标并据此飞到目的地?你能想象一个mosquito-sized无人机,可以做同样的工作(一个小的电池)?我们知道,在自然界发现的智能系统不仅有效而且高效。的一个主要研究议程在SAIGE建筑机器学习模型,更高效地运行在测试时间和硬件。这种系统的范围从一个深层神经网络和概率主题模型中定义一个位时尚使用心理声学使一个简单的模型更强大。

另一个重要的智能行为是一种个人之间的协作。我们寻求像我们设备和传感器之间的合作在团队项目。例如,我们一直感兴趣巩固许多不同的音频信号记录下各种设备一般想出一个音频场景的主要来源。自录音可以包含感兴趣的主要来源和自己的构件(如加性噪声、混响、带通滤波等),天真的平均记录并不是一个很好的解决这个问题。我们称这类问题协同音频增强。另一个协作性质不同传感器之间会发生像我们认识别人的情感通过观察她的表情,听她的声音。因此,构建一个机器学习模型,融合所有不同的决策从多个模式是我们的兴趣,。

最后,我们相信,在机器学习应用成功的关键之一是提高每个用户使用个性化模型的个人经历。个性化的模型可能是一个比一个通用模型,能效高的解决方案,因为它集中在一个特定的子问题,一个较小的模型结构可以足够好。然而,训练一个个性化的模型需要的数据从用户特定的测试时间,这并不总是可用的由于他们的私人性质。此外,这些数据往往是无标号,因为它只能在测试期间收集的时间,一旦在系统部署到用户设备。可以依赖于一个通用模型的泛化能力,但这样一个模型可以计算/空间复杂实时处理在一个资源受限的设备。我们的机器学习模型将不需要或很少数据样本测试时间用户,而他们仍然可以实现个性化的目标。同样,我们的个性化模型旨在减少个人数据的使用机器学习中提高隐私保护以及性能不同社会群体之间的不平衡。