最新公告
  • 欢迎您光临欧资源网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 多国联合研究一种新方法让分拣机器人更“聪明”

    据外媒Tech Xplore报道,多国研究人员正在联合研究一种新方法。他们希望通过联邦学习让分拣机器人更加“智能”。

    “我们正在研究人工智能如何使用算法来分析分拣机器人的训练数据,并提出更强大、更高效的分拣解决方案,”材料处理和物流研究所 (IFL) 的 Jonathan Auberle 说。.

    2016 年,“联邦学习”一词首先由 McMahan 等人创造。联邦学习实际上是指一种加密的分布式机器学习,它允许所有参与者一起构建模型而不泄露底层数据。该方案不仅能获得更多参与者的信任,还能打通机器之间的“数据孤岛”,开始“共同发展”。

    虽然联邦学习提出了 5 年,但仍然面临一些困难。比如数据传输效率太慢,联邦学习需要传输大量数据,其数据传输效率对联邦学习的应用至关重要。

    一、新算法将辅助分拣机器人实现联邦学习

    Oberle 提到,他们希望从不同的分拣站点、工厂和公司获取机器学习数据,用于分拣机器人。因为不同类型的分拣机器人以不同的方式学习。他们想要获取的是每天都在“工作”的分拣机器人的机器学习数据,而不是某个分拣机器人的机器学习数据。但这些数据往往涉及一些敏感数据和公司机密,比如产品数据。

    为了解决这个问题,研究人员表示,他们希望通过新的算法,让不同场景的分拣机器人在不涉及敏感数据的情况下相互学习,即实现联邦学习。

    二、本地处理,联邦学习兼顾技术和隐私

    “到目前为止,联邦学习主要用于医疗领域的图像分析,其中保护患者数据是重中之重,”Oberle 说。

    他说,联邦学习不会交换一些特定的训练数据,例如患者的医学图像、患者信息等。相反,它们存储相关的机器学习知识并将这些学习数据传输到中央服务器,以便其他参与的机器也可以从中央服务器获得相关的学习数据。

    三、提升机器人学习能力,联邦学习也能保护数据多样性

    根据 Jonathan Oberle 的说法,使用联邦学习来实现分拣机器人学习有两个主要好处。

    一方面,他表示,“通过联邦学习,我们不仅保护了客户的数据机器学习防止过拟合,还提高了分拣机器人的分拣速度。”

    另一方面,他说机器学习防止过拟合,“通过联邦学习,我们可以保护工业环境中的数据多样性和数据安全”。

    结论:联邦学习应用广泛,隐私保护问题有望解决

    在人工智能飞速发展的今天,人们在数据保护方面不断做出选择。一些公司将用户隐私放在首位,而另一些公司则出于各种原因“泄露”和窃取数据隐私。但尴尬的是,人工智能相关技术的发展确实离不开大量的用户数据。

    目前,联邦学习为这一困境带来了新的解决方案。更多的公司和研究机构希望扩大联邦学习的领域,使其不再局限于医疗领域,而是可以在全行业得到充分发展。

    未来,联邦学习会给机器学习带来怎样的惊喜,是否真正成为数据共享和数据保护技术的新突破,我们拭目以待。

    站内大部分资源收集于网络,若侵犯了您的合法权益,请联系我们删除!
    欧资源网 » 多国联合研究一种新方法让分拣机器人更“聪明”

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    欧资源网
    一个高级程序员模板开发平台

    发表评论