跳到页脚

标签：神经网络

Uber AI在2019年：通过人工智能推进机动性

Uber AI在2019年：通过人工智能推进机动性

Zoubin Ghahramani-
2019年，Uber AI构建的工具和系统利用ML提高位置准确性并增强实时预测以及我们平台上的其他应用程序。
阅读更多

生成教学网络：通过学习生成合成训练数据来加速神经体系结构搜索

Felipe Petroski这样-
由Uber AI实验室开发，生成教学网络（GTN）自动生成培训数据，学习环境和课程，以帮助AI代理迅速学习。
阅读更多

Uber进入Neurips 2019

Matthias Poloczek-
Uber将在加拿大温哥华举行的2019年Neurips 2019会议上发表11篇论文，并赞助包括机器学习中的女性（WIML）和AI中的Black在内的讲习班。
阅读更多

宣布2020 Uber AI居留权

Ersin Yumer-
Uber的2020年AI居留权将重点关注与我们通过Uber Advanced Technology Group（ATG）相关的与我们的自动驾驶汽车项目相关的计划。
阅读更多

在ICCV，CORL和IROS 2019上了解Uber ATG

拉奎尔·乌尔塔森（Raquel Urtasun）-
参加ICCV，CORL或IROS 2019？通过查看我们的研讨会，海报和主题演讲，了解Uber ATG最雷竞技是骗人的近在人工智能方面的研究。
阅读更多

引入LCA：神经网络培训的损失变化分配

珍妮丝·兰（Janice Lan）-
Uber AI Labs建议损失变化分配（LCA），这是一种新方法，为神经网络培训过程提供了丰富的窗口。
阅读更多

推进AI：与Uber高级研究经理Jeff Clune的对话雷竞技是骗人的

Molly Vorwerck-
我们与高级研究经理杰夫·克莱恩（Jeff Clune）坐下来，谈论他在A雷竞技是骗人的I，Uber之旅和总统的科学与工程学早期职业成就（PECASE）奖（PECASE）奖。
阅读更多

解构彩票：零，标志和超级手机

Hattie Zhou-
Uber通过提出这些机制背后的解释并得出令人惊讶的副产品：Supermask的解释来建立彩票假设。
阅读更多

jpeg直接更快的神经网络

莱昂内尔·古古（Lionel Gueguen）-
Uber AI Labs引入了一种方法，该方法通过利用JPEG表示，使神经网络更快，更准确地处理图像。
阅读更多

Uber的预测：介绍

弗朗西斯卡·贝尔-
在本文中，我们提供了有关我们的团队如何利用预测来制造更好的产品并保持Uber市场健康状况的一般概述。
阅读更多

卷积神经网络和坐标解决方案的有趣失败

罗莎恩·刘（Rosanne Liu）-
尽管卷积神经网络正在深入学习中，但AI Labs的最新研究既表现出了未充分考虑的失败，又是简单的解决方案，那么强大而广泛地说明了卷积神经网络。雷竞技是骗人的
阅读更多

M4预测竞赛：引入新的混合ES-RNN模型

Slawek Smyl-
Uber高级数据科学家Slawek Smyl凭借可靠的边缘赢得了M4竞争，他的混合指数平滑性神经网络（ES-RNN）预测方法。
阅读更多

测量客观景观的内在维度

Chunyuan li-
对遍历现代神经网络的高维损失景观的感觉很好奇？查看Uber AI Labs关于测量内在维度的最新研究。雷竞技是骗人的
阅读更多

SBNET：利用激活块稀疏性来加快卷积神经网络

Mengye Ren-
Uber ATG多伦多开发了稀疏块网络（SBNET），这是一种用于TensorFlow的开源算法，以加快我们3D车辆检测系统的推断，同时降低计算成本。
阅读更多

评论年度：2017年Uber工程博客的亮点ti8 竞猜雷竞技app雷竞技到底好不好用

Molly Vorwerck-
在新的一年中，Uber Engineering博客分享了我ti8 竞猜雷竞技app们2017年的一些编辑选择。雷竞技到底好不好用
阅读更多

通过机器学习和AI在Uber上进行更可靠的运输工具

Chintan Turakhia-
在本文中，我们强调了Uber如何利用机器学习和人工智能来规模应对工程挑战。
阅读更多

Uber的时间序列预测的神经网络中的工程不确定性估计

Lingxue Zhu-
Uber Engineering推出了一种新的贝叶斯神经网络体系结构，更准确地预测了时间序列预测和不确定性估计。
阅读更多

Uber的工程极限事件与反复的神经网络预测

尼古拉·拉普特夫（Nikolay Laptev）-
复发性的神经网络为Uber Engineering的新预测模型提供了更准确的预测在极端事件中的骑手需求。
阅读更多

流行文章