大数据文摘出品
编译：云舟
呜啦啦啦啦啦啦啦大家好，原AI Scholar Weekly改版，融合AI时事新闻内容再度来袭！ AI大事件是AI领域的综合性专栏，致力于为你带来最新潮、最全面、最深度的AI行业概览，从硬核的学术内容到精品产业新闻，为你一网打尽每周AI的前沿资讯。 做AI行业的终身学习者，每周一篇就够啦！
本周关键词：口罩识别、波士顿动力、知识图谱
AI新闻
口罩识别来啦
新冠病毒在地球上已经肆虐了快半年了，检测行人是否戴了口罩的AI系统终于诞生了。该系统可以通过眼睛、鼻子、嘴巴和耳朵的特征来判断行人是否佩戴了口罩。行人的照片由个人或犯罪数据库提供。
详情：
http://cur.at/r4YNS7M?m=web
波士顿动力CEO畅谈公司盈利和长远发展
我们采访了波士顿动力公司创始人、前首席执行官马克雷伯特（Marc Raibert），并和他讨论了该公司的客户、潜在的应用、人工智能、仿真技术以及那些火爆视频。
详情：
http://cur.at/HJnmAdX?m=web
FaceBook发布Aria项目
Facebook日前发布了Aria项目，这显示了FaceBook深耕可穿戴增强现实设备领域的决心。
Aria项目旨在为FaceBook提供数据、专业知识和洞察力，让他们帮助用户在未来使用可穿戴AR设备。这种设备类似眼镜，据说FaceBook园区中的几名员工已经戴上了这种眼镜。
Aria项目会在用户的使用过程中接收到数据并自我学习，从而能够简化用户的日常任务，并进行扩展。
详情：
https://about.fb.com/news/2020/09/announcing-project-aria-a-research-project-on-the-future-of-wearable-ar/
DeepFake正在侵蚀美国民主
华盛顿邮报日前刊登了一篇讨论DeepFake的文章，该文章声称，基于数字技术的丑闻也许会出现在大选之后，而非之前。
详情：
https://www.washingtonpost.com/opinions/2020/09/10/deepfakes-are-coming-american-democracy-heres-how-we-can-prepare/?utm_campaign=AI Weekly&utm_medium=email&utm_source=Revue newsletter
AI学术
使用PyTorch和TorchKGE实现知识图谱图嵌入
TorchKGE基于著名的PyTorch框架构建，是一个用于知识图谱（KG：Knowledge Graph）嵌入的Python包。该包为研究人员和工程师提供了一个干净高效的API，可以敏捷地设计和测试新模型。
该包具有KG数据结构，简单的模型接口，以及用于负采样和模型评估的模块。它的主要优点是为路径预测任务提供了一个高效的评估模块，而这正是KG嵌入的核心应用。
TorchKGE在各种评估任务上表现出色，比AmpliGraph快5倍，比OpenKE快24倍。各种KG嵌入模型也已经在该包中实现，并特别关注了代码的效率和简单性、文档和API的一致性等。它是在BSD许可下使用PyPI进行分发的。
研究人员认为，KG嵌入研究可以从一个高效统一的计算框架中显著受益，从而加快知识的扩散。
GitHub：
https://github.com/torchkge-team/torchkge?utm_campaign=AI Scholar Weekly &utm_medium=email&utm_source=Revue newsletter
原文：
https://arxiv.org/pdf/2009.02963v1.pdf?utm_campaign=AI Scholar Weekly &utm_medium=email&utm_source=Revue newsletter
AutoML可以战胜人类数据科学家吗？
在未来，每个组织都需要解决大规模的数据问题。因此，越来越多的组织正在寻求自动化机器学习（AutoML）的解决方案。
AutoML可以帮助企业收集和分析数据，快速响应数据，并通过自动化机器学习工作流来更好地管理资源。数据预处理、特征工程、模型选择、体系结构搜索和模型部署等等都可以通过AutoML来完成。但是，AutoML能超越人类吗？
这篇最近发布的论文比较了OpenML中12个不同数据集上的四个AutoML框架、六个监督分类任务和其他六个监督回归任务。结果表明，在12个OpenML任务中，自动化框架的性能优于或等于数据科学家。
研究人员称，在进行机器学习实验时，使用AutoML作为一种通用方法，对机器学习初学者和机器学习专家都是很有帮助的。
使用AutoML，初学者不需要深入研究机器学习术语就可以获得不错的结果。另一方面，专家们则可以快速地得到结果，从而建立一个良好的基线，而不需要花费大量的时间进行特征工程或模型调优。
原文：
https://arxiv.org/ftp/arxiv/papers/2009/2009.01564.pdf?utm_campaign=AI Scholar Weekly &utm_medium=email&utm_source=Revue newsletter
