人工智能为许多技术和服务提供支持Uber平台的技术，允许工程和数据科学团队做出明智的决策，帮助改善我们业务范围的产品的用户体验。
在这项努力的最前沿…
Zoubin Ghahramani.
Zoubin Ghahramani是优步的首席科学家，也是机器学习领域的世界领导者，他极大地推进了能够从数据中学习的最先进算法。他尤其以概率建模和机器学习系统和人工智能的贝叶斯方法的基本贡献而闻名。邹斌还继续担任剑桥大学信息工程教授和莱弗休姆未来智能中心副主任。他是艾伦·图灵研究所(英国国家数据科学和人工智能研究所)的创始董事之一，剑桥大学圣约翰学院和英国皇家学会的研究员。
工程博客文章雷竞技到底好不好用
介绍UBER研究出版物网站雷竞技是骗人的
Zoubin Ghahramani是优步的首席科学家和人工智能主管。
优步平台的简易性是建立在科学技术的基础进步之上的。Uber的团队致力于开发最先进的科学技术…
第一个Uber Science Symposium：讨论下一代RL，NLP，Concai和DL
在优步，数以百计的数据科学家、经济学家、人工智能研究人员和工程师、产品分析师、行为科学家和其他从业者利用科雷竞技是骗人的学方法解决我们平台上的挑战。从建模和实验到数据分析，算法开发和基础研究雷竞技是骗人的…
宣布2019年优步AI居住
通过Theofanis Karaletsos，Ersin Yumer，Raquel Urtasun，以及代表优步AI实验室和优步ATG的Zoubin Ghahramani
在优步平台上安全可靠地连接数字和物理世界带来了令人兴奋的技术挑战和机遇。乳房,…
引入优步人工智能常驻
优步人工智能实验室和优步ATG多伦多激动地宣布超级人工智能居住一项为期一年的强化研究培训计划定于今年夏天开始。雷竞技是骗人的
超级在机器学习上投入了大量资金吗和人工智能，周围的群体…
欢迎Peter Dayan来到优步人工智能实验室
Zoubin Ghahramani是优步的首席科学家超级人工智能实验室这是优步致力于人工雷竞技是骗人的智能(AI)和机器学习的研究部门。下面，Ghahramani为大家介绍人工智能实验室的最新团队成员、获奖神经科学家Peter Dayan。
我们很兴奋…
雷竞技是骗人的研究论文
学习持续治疗策略与二部嵌入匹配异质因果效应
W. Y. Zou.,S. Shyam.,m·梅,王,J. Pedersen.,Z.Ghahramani.
因果推断方法广泛应用于医学，政策和经济学领域。这些应用的核心是估算治疗效果的决策。目前的方法基于单个结果尺寸的治疗效果使二元yes-or-no-o或-Om决定。这些方法无法捕获具有强度测量的连续空间处理策略。[…][PDF]
2020.
因果推断方法广泛应用于医学，政策和经济学领域。这些应用的核心是估算治疗效果的决策。目前的方法基于单个结果尺寸的治疗效果使二元yes-or-no-o或-Om决定。这些方法无法捕获具有强度测量的连续空间处理策略。[…][PDF]
2020.
神经网络的概率荟萃表示
T. Karaletsos.,p·达扬,Z.Ghahramani.
现有的神经网络贝叶斯处理的典型特征是弱先验和近似后验分布，所有的权值都是根据后验分布独立绘制的。在这里，我们考虑一个更丰富的先验分布，其中网络中的单位由潜在变量表示，单位之间的权值是根据这些变量集合的值有条件地绘制的。[…][PDF]
UAI 2018深度学习不确定性研讨会(UDL)，2018年
现有的神经网络贝叶斯处理的典型特征是弱先验和近似后验分布，所有的权值都是根据后验分布独立绘制的。在这里，我们考虑一个更丰富的先验分布，其中网络中的单位由潜在变量表示，单位之间的权值是根据这些变量集合的值有条件地绘制的。[…][PDF]
UAI 2018深度学习不确定性研讨会(UDL)，2018年
模块化贝叶斯推论的功能规划
A. Ścibior, O. Kammar，Z.Ghahramani.
我们在现代功能规划语言中展示了贝叶斯建模和推断图书馆的建筑设计。我们方法的新颖方面是现有最先进的推论算法的模块化实现。我们的设计依赖于三个本质上功能特征：高阶函数，归纳数据类型和对类型类或富有效应模块系统的支持。[…][PDF]
2019年
我们在现代功能规划语言中展示了贝叶斯建模和推断图书馆的建筑设计。我们方法的新颖方面是现有最先进的推论算法的模块化实现。我们的设计依赖于三个本质上功能特征：高阶函数，归纳数据类型和对类型类或富有效应模块系统的支持。[…][PDF]
2019年
发现深层生成模型和判别模型的可解释表示
t·阿德尔Z.Ghahramani., a .韦勒
深度生成模型和区别模型中的表征的可解释性是非常可取的。目前的方法共同优化了准确性和可解释性相结合的目标。然而，这可能会降低精度，并且不适用于已经训练过的模型。我们提出了两个可解释框架。首先，我们为现有模型提供一个可解释的视角。我们使用生成模型作为输入的表示在现有(生成或鉴别)模型，弱监督有限的边信息。[…][PDF]
国际机器学习会议(ICML), 2018
深度生成模型和区别模型中的表征的可解释性是非常可取的。目前的方法共同优化了准确性和可解释性相结合的目标。然而，这可能会降低精度，并且不适用于已经训练过的模型。我们提出了两个可解释框架。首先，我们为现有模型提供一个可解释的视角。我们使用生成模型作为输入的表示在现有(生成或鉴别)模型，弱监督有限的边信息。[…][PDF]
国际机器学习会议(ICML), 2018
变分贝叶斯退出:陷阱和修正
赫隆，马修斯，Z.Ghahramani.
Dropout是一种用于训练神经网络的随机正则化技术，最近被重新解释为贝叶斯神经网络的一种特定类型的近似推理算法。重新解释的主要贡献是为分析和扩展算法提供了一个有用的理论框架[…][PDF]
国际机器学习会议(ICML), 2018
Dropout是一种用于训练神经网络的随机正则化技术，最近被重新解释为贝叶斯神经网络的一种特定类型的近似推理算法。重新解释的主要贡献是为分析和扩展算法提供了一个有用的理论框架[…][PDF]
国际机器学习会议(ICML), 2018
宽深度神经网络中的高斯过程行为
Alexander G. de G. Matthews，Mark Rowland，Jiri Hron，Richard E. Turner，Zoubin Ghahramani.
虽然深度神经网络已经显示出了巨大的经验成功，但仍有很多工作要做来理解它们的理论属性。本文研究了具有一个以上隐层的随机、广域、全连通的前馈网络与具有递归核定义的高斯过程之间的关系。[…][PDF]
学习表现国际会议(ICLR), 2018
虽然深度神经网络已经显示出了巨大的经验成功，但仍有很多工作要做来理解它们的理论属性。本文研究了具有一个以上隐层的随机、广域、全连通的前馈网络与具有递归核定义的高斯过程之间的关系。[…][PDF]
学习表现国际会议(ICLR), 2018
强化学习中行为依赖基线的海市蜃楼
G. Tucker，S.Bhupatiraju，S.Gu，R. Turner，Z.Ghahramani.莱文,s .
策略梯度方法是一类广泛使用的无模型强化学习算法，其中使用状态相关的基线来减少梯度估计量的方差。最近的几篇论文扩展了基线，使其同时依赖于状态和行为，并指出这在不引入偏差的情况下显著减少了方差并提高了样本效率。[…][PDF]
国际机器学习会议(ICML), 2018
策略梯度方法是一类广泛使用的无模型强化学习算法，其中使用状态相关的基线来减少梯度估计量的方差。最近的几篇论文扩展了基线，使其同时依赖于状态和行为，并指出这在不引入偏差的情况下显著减少了方差并提高了样本效率。[…][PDF]
国际机器学习会议(ICML), 2018
从策划媒体中弱监督的集体特征学习
穆库塔，木村，阿德里安，Z.Ghahramani.
当前最先进的特征学习依赖于由目标内容项及其各自类别标签组成的大规模数据集的监督学习。然而，构建这样大规模的全标记数据集通常需要艰苦的人工工作。这个问题的一种可能的解决方案是将社区提供的文本标记作为弱标签，然而，单个文本标记的概念严重依赖于用户。[…][PDF]
AAAI人工智能会议(AAAI), 2018
当前最先进的特征学习依赖于由目标内容项及其各自类别标签组成的大规模数据集的监督学习。然而，构建这样大规模的全标记数据集通常需要艰苦的人工工作。这个问题的一种可能的解决方案是将社区提供的文本标记作为弱标签，然而，单个文本标记的概念严重依赖于用户。[…][PDF]
AAAI人工智能会议(AAAI), 2018
变分高斯Dropout不是贝叶斯
赫隆，马修斯，Z.Ghahramani.
高斯乘法噪声是确定性神经网络训练中常用的一种随机正则化技术。最近的一篇论文将该技术重新解释为贝叶斯神经网络近似推理的一种特定算法;几个扩展随之而来。[…][PDF]
贝叶斯深度学习工作坊@ NeurIPS, 2017
高斯乘法噪声是确定性神经网络训练中常用的一种随机正则化技术。最近的一篇论文将该技术重新解释为贝叶斯神经网络近似推理的一种特定算法;几个扩展随之而来。[…][PDF]
贝叶斯深度学习工作坊@ NeurIPS, 2017
失去了牙龈伎俩的亲戚
M. Balog，N.Tripuraneni，Z.Ghahramani., a .韦勒
gumbel技巧是从离散概率分布中采样的方法，或者估计其归一化分区功能。该方法依赖于以特定方式重复地对分布的随机扰动，每次求解最可能的配置。[…][PDF]
国际机会学习会议(ICML)，2017年
gumbel技巧是从离散概率分布中采样的方法，或者估计其归一化分区功能。该方法依赖于以特定方式重复地对分布的随机扰动，每次求解最可能的配置。[…][PDF]
国际机会学习会议(ICML)，2017年
特征分配的出生死亡过程
帕拉，诺尔斯，Z.Ghahramani.
针对序列数据，我们提出了一种贝叶斯非参数先验特征分配，即生灭特征分配过程(BDFP)。BDFP通过创建和删除特征，对跨协变量(例如时间)的N个对象的特征分配的演化进行建模。[…][PDF]
国际机会学习会议(ICML)，2017年
针对序列数据，我们提出了一种贝叶斯非参数先验特征分配，即生灭特征分配过程(BDFP)。BDFP通过创建和删除特征，对跨协变量(例如时间)的N个对象的特征分配的演化进行建模。[…][PDF]
国际机会学习会议(ICML)，2017年
自动发现数据集中变量的统计类型
瓦勒拉,Z.Ghahramani.
统计和机器学习中的一个常见做法是假设变量的统计数据类型(例如，顺序、分类或实值)，以及通常的似然模型是已知的。然而，随着真实世界数据的可用性的增加，这种假设变得过于限制性。[…][PDF]
国际机会学习会议(ICML)，2017年
统计和机器学习中的一个常见做法是假设变量的统计数据类型(例如，顺序、分类或实值)，以及通常的似然模型是已知的。然而，随着真实世界数据的可用性的增加，这种假设变得过于限制性。[…][PDF]
国际机会学习会议(ICML)，2017年
用于数据探索任务的通用潜在特征建模
I. Valera，M. Pradier，Z.Ghahramani.
本文介绍了一种适用于对异构数据集进行自动探索性分析的通用贝叶斯非参数潜特征模型，该模型中描述每个对象的属性可以是离散变量、连续变量或混合变量。提出的模型有几个重要的性质。[…][PDF]
ICML机器学习中的人类可解释性研讨会(ICML)，2017年
本文介绍了一种适用于对异构数据集进行自动探索性分析的通用贝叶斯非参数潜特征模型，该模型中描述每个对象的属性可以是离散变量、连续变量或混合变量。提出的模型有几个重要的性质。[…][PDF]
ICML机器学习中的人类可解释性研讨会(ICML)，2017年
插值策略梯度:在深度强化学习中合并On-Policy和Off-Policy梯度估计
S. GU，T. Lillicrap，R. Turner，Z.Ghahramani.， B. Schölkopf, S. Levine
非策略无模型深度强化学习方法使用以前收集的数据可以提高样本效率的政策梯度技术。另一方面，策略上的算法通常更稳定，更容易使用。[…][PDF]
神经信息处理系统的进步(NeurIPS)，2017年
非策略无模型深度强化学习方法使用以前收集的数据可以提高样本效率的政策梯度技术。另一方面，策略上的算法通常更稳定，更容易使用。[…][PDF]
神经信息处理系统的进步(NeurIPS)，2017年
深度贝叶斯主动学习与图像数据
盖尔，伊斯兰，Z.Ghahramani.
尽管主动学习形成了一个重要的机器学习支柱，但深度学习工具在其中不普遍。在活动学习环境中使用时，深入学习会带来几个困难。[…][PDF]
国际机会学习会议(ICML)，2017年
尽管主动学习形成了一个重要的机器学习支柱，但深度学习工具在其中不普遍。在活动学习环境中使用时，深入学习会带来几个困难。[…][PDF]
国际机会学习会议(ICML)，2017年
随机简单图表的贝叶斯推断具有权力法学分布
J. Lee，C. Heaukulani，Z.Ghahramani.，L. James，S. Choi
我们为随机简单图表提供了一种模型，具有遵守权力法的程度分布（即，尾尾）。为了获得这种行为，图中的边缘概率是由Bertoin-Fujita-Roynetty-yor（BFry）随机变量构成的，这些概率最近被用于贝叶斯统计到若干应用中的电力法模型。[…][PDF]
国际机会学习会议(ICML)，2017年
我们为随机简单图表提供了一种模型，具有遵守权力法的程度分布（即，尾尾）。为了获得这种行为，图中的边缘概率是由Bertoin-Fujita-Roynetty-yor（BFry）随机变量构成的，这些概率最近被用于贝叶斯统计到若干应用中的电力法模型。[…][PDF]
国际机会学习会议(ICML)，2017年
Q-PARC：采样有效的政策渐变，具有禁止批评评论家
S. GU，T. Lillicrap，Z.Ghahramani.， R. Turner, S. Levine
无模型的深增强学习（RL）方法在各种模拟域中取得了成功。然而，在现实世界中面临深层RL的主要障碍是它们的高样本复杂性。[…][PDF]
国际学习陈述会议(ICLR)，2016年
无模型的深增强学习（RL）方法在各种模拟域中取得了成功。然而，在现实世界中面临深层RL的主要障碍是它们的高样本复杂性。[…][PDF]
国际学习陈述会议(ICLR)，2016年
磁汉密尔顿蒙特卡罗
特里普尔纳尼，罗兰，Z.Ghahramani.特纳,r .
哈密顿蒙特卡罗(HMC)利用哈密顿动力学构造了马尔可夫链蒙特卡罗(MCMC)的有效方法。本文提出了一种基于文本非规范哈密顿动力学的HMC方法。[…][PDF]
国际机会学习会议(ICML)，2017年
哈密顿蒙特卡罗(HMC)利用哈密顿动力学构造了马尔可夫链蒙特卡罗(MCMC)的有效方法。本文提出了一种基于文本非规范哈密顿动力学的HMC方法。[…][PDF]
国际机会学习会议(ICML)，2017年
