由于优步越来越受到合法客户的普及和规模，它也引起了网络空间中的金融罪犯的注意。一种类型的欺诈行为是勾结的，用户之间的合作欺诈行为。例如，用户通过拍摄......
Piero Molino.
皮耶罗是斯坦福大学朦胧研究小组的员雷竞技是骗人的工研究科学家。他是Uber Ai的前创始成员，他创建了Ludwig，在应用项目（COTA，G图表学习，为优步学习，优步对话系统）和关于NLP，对话，可视化，图形学习，强化学习和计算机视觉的研究。雷竞技是骗人的
工程博客文章雷竞技到底好不好用
Ludwig V0.3推出了封路计优化，变压器和Tensorflow 2支持
2019年2月，优步发布Ludwig，一个开源，免费的深度学习（DL）工具箱这为非程序员和高级机器学习（ML）从业者提供了为各种DL任务开发模型的权力。用跨越文本的用例......
Meta-Graph：使用元学习的几次链路预测
本文基于该文件“元图：通过元学习几次拍摄链路预测“由Joey Bose，Ankit Jain，Piero Molino和William L. Hamilton
许多真实数据集都作为图形构造，因此机器......
使用即插即用语言模型控制文本生成
本文基于该文件“即插即用语言模型：一种控制文本生成的简单方法“由Sumanth Dathathri，Andrea Madotto，Janice Lan，Jane Hung，Eric Frank，Piero Molino，Jason Yosinski和Rosanne Liu。
这......
用优步食品发现：使用图表学习电力推荐
优步饮食应用程序是在全球36个国家全球500多个城市的320,000多个餐厅的门户网站。为了使用户体验更加无缝且易于导航，我们向用户展示菜肴，餐馆和美食......
Ludwig V0.2为其深度学习工具箱增加了新功能和其他改进
优步发布Ludwig，我们的开源，免费的深度学习工具箱，2019年2月，将世界推出到最简单的建筑机器学习模型的方法之一。Ludwig模型定义的简单性和陈述性质......
卷积神经网络和COORCONV解决方案的有趣失败
Uber在许多域中使用卷积神经网络，这些域可能涉及协调变换，从设计自动驾驶车辆来自动化路牌检测，以构建地图并最大化超高级市场的空间运动效率。
在深度学习中，......
Cota：通过NLP和机器学习改善优步客户服务
为促进用户可能的最佳端到端体验，所以Uber致力于使客户支持更轻松，更可访问。致力于实现这一目标，优步的客户痴迷团队利用五个不同的客户 - 代理通信渠道支持A.内部平台那......
雷竞技是骗人的调查报告
即插即用语言模型：一种控制文本生成的简单方法
S. Dathathri，A. Madotto，J. LAN.那J. Hung.那E.弗兰克那P. Molino.那J. Yosinski.那R. Liu.
基于大型文本语料库的大型变压器的语言模型（LMS）已经显示出无与伦比的生成功能。但是，控制生成的语言的属性（例如，切换主题或情绪）很困难，而无需修改模型架构或对属性特定数据的微调并导致重新培训的大量成本。我们提出了一个简单的替代方案：用于可控语言生成的插头和播放语言模型（PPLM），其将预磨限LM与一个或多个简单属性分类器结合，指导文本生成而无需进一步培训LM。[PDF]
学习陈述国际会议（iclr.），2020年
基于大型文本语料库的大型变压器的语言模型（LMS）已经显示出无与伦比的生成功能。但是，控制生成的语言的属性（例如，切换主题或情绪）很困难，而无需修改模型架构或对属性特定数据的微调并导致重新培训的大量成本。我们提出了一个简单的替代方案：用于可控语言生成的插头和播放语言模型（PPLM），其将预磨限LM与一个或多个简单属性分类器结合，指导文本生成而无需进一步培训LM。[PDF]
学习陈述国际会议（iclr.），2020年
面向任务对话的灵活结构化模型
L. Shu.那P. Molino.那M. Namazifar.，H. Xu，B.刘，H.郑那G. Tur
本文提出了一种用于面向任务对话系统的新型端到端架构。它基于简单且实用的尚未非常有效的序列到序列方法，其中语言理解和状态跟踪任务是用结构化的复制增强的顺序解码器和每个时隙的多标签解码器共同建模。策略引擎和语言生成任务是共同建模的。[...][PDF]
2019年
本文提出了一种用于面向任务对话系统的新型端到端架构。它基于简单且实用的尚未非常有效的序列到序列方法，其中语言理解和状态跟踪任务是用结构化的复制增强的顺序解码器和每个时隙的多标签解码器共同建模。策略引擎和语言生成任务是共同建模的。[...][PDF]
2019年
通过加固学习协作多智能辅助对话模型培训
A. Papangelis.那Y.-c.王那P. Molino.那G. Tur
我们介绍了同时培训仅通过自生物语言通信的会话代理的完整尝试。使用DSTC2作为种子数据，我们为每个代理商培训了自然语言理解（NLU）和生成（NLG）网络，并让代理商在线互动。[...][PDF]
话语和对话的特殊兴趣小组（sigdial.），2019年
我们介绍了同时培训仅通过自生物语言通信的会话代理的完整尝试。使用DSTC2作为种子数据，我们为每个代理商培训了自然语言理解（NLU）和生成（NLG）网络，并让代理商在线互动。[...][PDF]
话语和对话的特殊兴趣小组（sigdial.），2019年
歧管：用于解释和诊断机器学习模型的模型 - 不可知框架
J.张，王那P. Molino.那L. Li.，D. Ebert.
近年来，机器学习模型的解释和诊断在新方法中突破了近年来的再次兴趣。我们呈现歧管，该框架利用可视化分析技术以更透明和交互方式支持机器学习模型的解释，调试和比较。[...][PDF]
IEEE可视化（IEEE VI），2018年
近年来，机器学习模型的解释和诊断在新方法中突破了近年来的再次兴趣。我们呈现歧管，该框架利用可视化分析技术以更透明和交互方式支持机器学习模型的解释，调试和比较。[...][PDF]
IEEE可视化（IEEE VI），2018年
COTA：通过排名和深网络提高客户支持的速度和准确性
P. Molino.那H.郑那Y.-c.王
对于寻求提供令人愉快的用户体验的公司来说，对照顾任何客户问题至关重要。本文提出了一种通过自动票证分类和支持代表的答案选择来提高客户支持速度和可靠性的系统，该系统提高客户支持的速度和可靠性。[...][PDF]
ACM SIGKDD国际知识发现和数据科学会议（kdd.），2018年
对于寻求提供令人愉快的用户体验的公司来说，对照顾任何客户问题至关重要。本文提出了一种通过自动票证分类和支持代表的答案选择来提高客户支持速度和可靠性的系统，该系统提高客户支持的速度和可靠性。[...][PDF]
ACM SIGKDD国际知识发现和数据科学会议（kdd.），2018年
卷积神经网络和COORCONV解决方案的有趣失败
R. Liu.那J. Lehman.那P. Molino.那F.I这样那E.弗兰克那A. Sergeev.那J. Yosinski.
很少有想法已经享受了对深度学习作为卷积的影响。对于涉及像素或空间表示的任何问题，常见的直觉保持卷积神经网络可能是合适的。在本文中，我们通过看似微不足道的坐标变换问题向这种直觉展示了一个引人注目的反例，这简单地需要学习（x，y）笛卡尔空间和单个热像素空间之间的坐标之间的映射。[...][PDF]
神经信息处理系统的进步（内潜藏），2018年
很少有想法已经享受了对深度学习作为卷积的影响。对于涉及像素或空间表示的任何问题，常见的直觉保持卷积神经网络可能是合适的。在本文中，我们通过看似微不足道的坐标变换问题向这种直觉展示了一个引人注目的反例，这简单地需要学习（x，y）笛卡尔空间和单个热像素空间之间的坐标之间的映射。[...][PDF]
神经信息处理系统的进步（内潜藏），2018年
在端到端的面向任务的对话系统中纳入信仰状态的结构
L. Shu，P. Molino.那M. Namazifar.那B.刘，h. xu，H.郑， 和G. Tur
端到端培训网络尽量克服错误传播，缺乏传统模块化面向对话系统架构的泛化和整体脆性。大多数提议的模型在序列到序列架构上展开。其中一些人不追踪信仰状态，这使得难以与不断变化的知识库进行互动，而明确跟踪信仰状态的人则与分类器进行。分类器的使用遭受了词汇外的话题，使这些模型难以在现实世界应用中使用不断变化的知识库。我们提出了结构性信念副本网络（SBCN），这是一种新的端到端培训架构，允许与外部符号知识库进行交互，并同时解决词汇流问题。[...][PDF]
在神经信息处理系统会议上会议智力挑战（Convai @ neurips.），2018年
端到端培训网络尽量克服错误传播，缺乏传统模块化面向对话系统架构的泛化和整体脆性。大多数提议的模型在序列到序列架构上展开。其中一些人不追踪信仰状态，这使得难以与不断变化的知识库进行互动，而明确跟踪信仰状态的人则与分类器进行。分类器的使用遭受了词汇外的话题，使这些模型难以在现实世界应用中使用不断变化的知识库。我们提出了结构性信念副本网络（SBCN），这是一种新的端到端培训架构，允许与外部符号知识库进行交互，并同时解决词汇流问题。[...][PDF]
在神经信息处理系统会议上会议智力挑战（Convai @ neurips.），2018年
表征视觉问题如何应答模型与世界缩放
E. Bingham.那P. Molino.那P. Szerlip.那F. obermeyer.那N. Goodman.
检测视觉问题的模型之间泛化能力的差异已经证明是令人惊讶的困难。我们提出了一种新的统计数据，渐近样本复杂性，用于模型比较，并构建合成数据分布，以将强基线CNN-LSTM模型与具有强大感应偏差的结构化神经网络进行比较。[...][PDF]
vigil @ neurips（内潜藏），2017年
检测视觉问题的模型之间泛化能力的差异已经证明是令人惊讶的困难。我们提出了一种新的统计数据，渐近样本复杂性，用于模型比较，并构建合成数据分布，以将强基线CNN-LSTM模型与具有强大感应偏差的结构化神经网络进行比较。[...][PDF]
vigil @ neurips（内潜藏），2017年
