Jeff De2021谷歌年度 Jeff(12)

除了上面提到的联邦学习和分析方面的工作之外，使用实用的机器学习技术从而增强研究人员的工具箱，确保差分隐私，比如私有聚类、私有个性化、私有矩阵完成、私有加权采样、私有分位数、半空间的私有鲁棒学习，以及普遍样本高效的私有 PAC 学习，还有扩展可针对不同应用程序和模型定制的隐私概念集，像标签隐私和用户与项目级别的隐私。

文章插图

图注：差分私有聚类算法的可视化图示。

结语

研究通常是对现实世界产生影响的长期历程。几年前发生的早期研究工作现在对谷歌乃至全世界都产生了巨大的影响。
对ML 硬件加速器以及软件框架的投资已取得成果。ML 模型在许多不同产品和功能中越来越普遍，因为它们的强大功能和易于表达的特点简化了 ML 模型在性能关键环境中的实验和生产。
对创建 Seq2Seq、Inception、EfficientNet 和 Transformer 的模型架构的研究或批归一化和蒸馏等算法研究正在推动语言理解、视觉、语音等领域的进步。
更好的语言和视觉理解以及语音识别等基本功能或许将具有变革性，因此，这些类型的模型被广泛部署用于解决许多产品中的各种问题，包括搜索、助理、广告、云、邮箱、地图、视频、和翻译等等。
这些是机器学习和计算机科学真正激动人心的时刻。计算机通过语言、视觉和声音理解和与周围世界互动的能力不断提高，这为计算机如何帮助人们完成任意的任务开辟了全新的领域。这篇文章概述的五个趋势中谈到的示例将是这个长期历程中的路标！
原文链接：https://ai.googleblog.com/2022/01/google-research-themes-from-2021-and.html