神经网络

5月16日，小冰公司宣布启动“GPT克隆人计划”，最短只要采集三分钟数据，即可为明星红人、专家学者或普通人创造源于本人性格、技能、声音、外貌的AI克隆人。同时将提供平台，便于本人把认证的克隆人，有偿或无偿提供给自己的受众。克隆人基于小冰框架大模型、神经网络渲染及超级自然语音技术，可进行实时情感交互、提供AIGC能力，甚至有自己的朋友圈，如同人类在平行世界的第二人生。计划现已在中国和日本启动报名，首批克隆人在一个月内正式上线。出于个人隐私数据安全及伦理考虑，首批限制300个名额，需要本人提供权属证明。小冰公

参考论文总结“NEURALVOLUMERENDERING:NERFANDBEYOND“，2021年1月，乔治亚理工和麻省理工的合著。神经渲染定义为：“一种深度图像或视频生成方法，可显式或隐式控制场景属性，如照明、摄像机参数、姿势、几何、外观和语义结构”。它是一种新数据驱动解决方案，解决了计算机图形学中长期存在的虚拟世界真实感渲染问题。神经体渲染，是指通过跟踪光线进入场景并沿光线长度进行某种积分生成图像或视频的方法。通常，像多层感知器一样的神经网络将从光线的3D坐标到密度和颜色等的函数进行编码，并

​AI面部识别领域又开辟新业务了？这次，是鉴别二战时期老照片里的人脸图像。近日，来自谷歌的一名软件工程师DanielPatt研发了一项名为N2N（NumberstoNames）的AI人脸识别技术，它可识别二战前欧洲和大屠杀时期的照片，并将他们与现代的人们联系起来。用AI寻找失散多年的亲人2016年，帕特在参观华沙波兰裔犹太人纪念馆时，萌生了一个想法。这一张张陌生的脸庞，会不会与自己存在血缘的联系?他的祖父母/外祖父母中有三位是来自波兰的大屠杀幸存者，他想帮助祖母找到被纳粹杀害的家人的照片。二战时

​这些强大的算法在过去几年中获得了巨大的兴趣。然而，这种性能是基于静态图结构假设的，这限制了图神经网络在数据随时间变化时的性能。时序图神经网络是考虑时间因素的图神经网络的扩展。近年来，各种时序图神经网络算法被提出，并在多个时间相关应用中取得了优于其他深度学习算法的性能。本综述讨论了与时空图神经网络相关的有趣主题，包括算法、应用和开放挑战。论文地址：https://arxiv.org/abs/2301.105691.引言图神经网络(GNN)是一类深度学习模型，专门设计用于处理图结构数据。这些模型利用图拓扑

01知识蒸馏诞生的背景来，深度神经网络（DNN）在工业界和学术界都取得了巨大成功，尤其是在计算机视觉任务方面。深度学习的成功很大程度上归功于其具有数十亿参数的用于编码数据的可扩展性架构，其训练目标是在已有的训练数据集上建模输入和输出之间的关系，其性能高度依赖于网络的复杂程度及有标注训练数据的数量和质量。相比于计算机视觉领域的传统算法，大多数基于DNN的模型都因为过参数化而具备强大的泛化能力，这种泛化能力体现在对于某个问题输入的所有数据上，模型能给出较好的预测结果，无论是训练数据、测试数据

虽说现代的深度学习早已脱离对「生物神经网络」的模仿，但了解生物大脑的运行机制，对于神经网络模型的未来发展仍然很有帮助。大脑回路的结构方式影响着大脑的计算能力，但到目前为止，除了在一些非常简单的生物体中，仍然还没有看到任何大脑的具体结构。去年11月，来自剑桥大学、约翰霍普金斯大学、珍利亚研究园区等多家顶尖机构的研究人员在Biorxiv上传了一篇论文，经过十余年的艰苦研究，首次完整地对「果蝇幼虫」的大脑连接组进行重建。论文链接：​https://www.science.org/doi/10.1126/scie