发帖
雷达卡
Jeff Dean再执笔：一文看尽2019谷歌AI重大突破一一4
健康
2018 年末，我们将谷歌研究院健康团队、Deepmind Health 以及谷歌硬件部门的一支队伍（专注于与健康相关的应用）合并起来，组成了 Google Health。2019 年，我们继续推进这一领域中的研究，与多家医疗合作伙伴发表了研究论文并开发出多款工具。下面来看过去一年中的相关亮点：
我们发现，利用深度学习模型分析乳房 X 光片，能够帮助医生发现乳腺癌病变。在美国，有八分之一的女性或早或晚将受到这种疾病的影响，而深度学习模型的诊断准确性高于人类专家，且误报与漏报比例更低。无论是在对美国某地患者的检测，还是对英国医院提供的脱敏数据进行分析，这套模型都带来了类似的准确率改善。
我们证明，利用深度学习模型进行皮肤疾病诊断，其准确率要高于初级医师，甚至相当或者略好于皮肤病理学家。
通过 Google Health、DeepMind Health 以及美国退伍军人事务部（VA）专家的联手合作，机器学习模型被证明在预测急性肾操作（AKI）疾病的发作方面表现突出。提前两天发现问题，能够有效避免患者因此遭受的折磨。未来，医生有望提前 48 小时着手处理这类严重疾病。
我们与多家合作伙伴组织将深度学习技术引入电子健康记录系统。
我们在预测肺癌方面获得了可喜的进步。在这项早期研究中，我们尝试利用一种深度学习模型检查单项 CT 扫描结果，其诊断能力与放射科医师基本相当，有时甚至更高。事实证明，早期发现肺癌能够大大提高患者的生存几率。
我们与 Verily 以及来自印度及泰国的医疗合作伙伴联手，继续扩大部署并评估我们用于检测及预防眼科疾病的机器学习工具。
我们发表了一篇关于利用增强现实显微镜诊断癌症的研究论文，病理学家能够在通过该显微镜检查组织的同时，获取载玻片上其他重要信息的实时反馈。
我们为病理学家构建起以人为本的相似图像搜索工具，允许他们通过检查类似病例以做出更加高效的诊断。
量子计算
2019 年，我们的量子计算团队首次实现了“量子霸权”，即量子计算机在执行某项任务时，表现出远超世界上最强经典计算机的执行速度。二者的成绩对比为 1 万年对 200 秒。
量子计算机在材料科学、量子化学以及大规模优化等领域中将发挥重要作用，但要真正实现目标，我们必须进一步推动技术发展。目前，我们的关注重点主要放在量子误差校正方面，这是为了进一步延长量子计算系统的运行时间。我们还在努力简化量子算法的表达，改善硬件控制难度，同时也找到了利用经典机器学习技术（例如深度强化学习）构建高可靠性量子处理器的方法。2019 年的成就令人振奋，我们相信这一切都将为量子计算的广泛应用奠定坚定的基础。
通用算法与理论
在通用算法与理论方面，我们继续延着算法基础与应用的方向前进，同时也对图挖掘等方面进行了一番探索。
我们在 VLDB 19 上发表了一篇题为《面向数据中心应用程序的缓存感知负载均衡》的论文，看起来好像有点晦涩，再来个平易近人般的标题，《通过妙招将数据中心的服务容量提高 40%！》。论文介绍了我们如何利用图的均衡分区对 Web 搜索后端服务系统中的缓存进行指定，从而将闪存驱动器的查询吞吐量提高了 48%，并最终将后端整体搜索吞吐量提高 40%。
在 ICLR 2019 上发表的一篇题为《新瓶装旧酒：强化学习发现经典优化算法》的论文中，我们发现了算法与机器学习之间的新联系，展示了强化学习如何为几个经典的在线优化组合问题（例如在线匹配与分配）高效找到最佳、最差以及统一算法。
相关链接：https://openreview.net/pdf?id=rkluJ2R9KQ
我们在可伸缩算法方面的工作主要涉及大数据集的并行、在线与分布式算法。在 FOCS 19 的最新论文当中，我们为互连组件找到了近乎最佳的大规模并行计算算法。我们的另一组论文则改进了用于匹配（包括理论与实践两方面）与密度聚类的并行算法。第三项工作则是在黑盒模型中实现子模函数的自适应优化，这类模型在特征选择以及词汇压缩等场景中具有多种应用。在 SODA 19 的论文中，我们提出一种在三大方面近乎最优的亚模算法，包括逼近因子、舍入复杂度以及查询复杂度。在 FOCS 2019 的另一篇论文中，我们为 PCA 及列子集选择提供了一种在线乘法近似算法。
相关链接：https://arxiv.org/abs/1910.05385
在其他工作中，我们引入了半在线计算模型，该模型假定未知的未来场景中包含可预测部分与对抗部分。在经典的组合问题方面，例如二分匹配（ITCS 19）与缓存（SODA 20），我们发现的半在线算法能够在最佳在线与离线算法之间完成顺畅插值。
我们最近在市场算法领域的研究，主要包括对学习与市场间相互作用的最新理解，以及实验设计层面的多项创新。例如，NeurIPS 19 上发表的口头论文就展示了战略型代理在常规重复性双方博弈中相较于学习型代理的惊人竞争优势。近期，对于广告自动化的关注也引起我们对自动竞价以及广告主响应行为分析的浓厚兴趣。在 WINE 2019 在两篇论文中，我们研究了最大限度提升广告主转化率的最佳策略，并进一步分析了广告主对于竞价过程中各类变化的响应行为。最后，我们在保留干扰因素的前提下进行了实验设计研究，发现一组成交可能影响到另一组的结果。在 KDD 19 论文与 NeurIPS 19 论文当中，我们则展示了如何定义单位或单位簇，旨在限制干扰并保持实验能力。
相关链接：http://papers.nips.cc/paper/8436-strategizing-against-no-regret-learners
京公网安备 11010802022788号
