AITOP

监督学习

共 5 条相关 AI 资讯
6月19日
02:03
02:03官方账号MIT CSAIL@MIT_CSAIL
MIT CSAIL 研究员 Alexander Amini 主讲的深度学习免费课程已更新至 2026 版。该课程涵盖监督学习、无监督学习和强化学习三大范式。第 5 讲专门讲解三者的核心差异。课程完全免费开放，适合入门到进阶学习者。
技巧MIT深度学习免费课程
推荐理由：MIT 出了新版深度学习免费课，Alexander Amini 讲第 5 讲，把监督、无监督、强化学习的区别掰开揉碎，想入门可以看看。
原文
6月5日
12:14
12:14官方账号arXiv cs.AI@Akarsh Kumar, Phillip Isola
精选
论文提出Supervised Memory Training (SMT)，一种训练非线性RNN的新方法。SMT通过将RNN训练转化为一步记忆转换标签的监督学习，完全绕过了传统的循环信用分配。它利用基于Transformer的编码器从预测状态目标中获取记忆标签，只保留预测未来所需的过去信息。SMT实现了时间并行训练，任意两个token之间的梯度路径长度稳定为O(1)，无需展开RNN。实验表明，SMT在语言建模和像素序列建模等任务上优于BPTT，能更好地捕捉长程依赖关系。
论文RNN预训练长程依赖
推荐理由：SMT解决了RNN训练中并行性差和长程依赖难学的问题，做序列建模或时间序列分析的开发者可以直接用这个方法替代BPTT，训练效率会大幅提升。
原文
6月2日
11:15
11:15官方账号arXiv cs.LG@Bradley G. Karat, Maëliss Jallais, Ali R. Khan, Santiago Aja-Fernández, Jelle Veraart, Marco Palombo
扩散MRI能无创探测组织微观结构，但噪声效应影响参数估计精度。在基于模拟数据的监督机器学习框架中，模拟与采集信号的噪声特性差异导致协变量偏移，影响推理准确性。本文提出真实噪声合成（RNS）框架，通过引入Rician期望和有效后处理噪声方差来缓解这一问题。实验表明，忽略噪声效应会导致系统性的信噪比依赖偏差，而RNS能显著降低偏差并提升精度，尤其在低信噪比场景下效果明显。该方法对噪声估计准确性敏感，但回归架构影响较小。
论文扩散MRI噪声合成微观结构估计
推荐理由：做医学影像分析或扩散MRI研究的团队，这篇论文解决了模拟数据与真实数据噪声不匹配导致的估计偏差问题，RNS框架可以直接用于提升微观结构参数估计的准确性，值得点开看看具体实现。
原文
6月1日
08:53
08:53Marc Andreessen@pmarca
精选
AI 先驱 Richard Sutton 在视频演讲中提出争议性观点：当前基于监督学习的生成式 AI（包括大语言模型、图像和视频模型）本质上无法做出新颖的科学发现。他认为这些系统能产出“好”或“新”的结果，但无法同时兼具两者——当输出新颖时往往意味着“幻觉”，而追求准确性时则缺乏创新。Marc Andreessen 对此评论称，在 AI 时代我们可能从未真正定义过“新颖”和“发现”，AI 将创造许多新事物但难以命名。这一观点挑战了当前 AI 在科学和数学领域的应用预期。
AI模型生成式 AI监督学习AI 创新
推荐理由：Sutton 的演讲戳中了生成式 AI 在科研创新上的核心局限，做 AI 研究或依赖 AI 做科学发现的团队值得一看，看完会对当前模型的能力边界有更清醒的认识。
原文
5月29日
11:05
11:05官方账号arXiv cs.AI@Nhat-Minh Nguyen
一篇arXiv论文报告了物理学家监督AI编码代理（Claude Code，使用Sonnet和Opus模型）在12天57次会话中构建CLAX-PT（一个基于JAX的可微单圈扰动理论模块）的案例研究。研究者记录了15次监督干预事件，其中代理自主解决了10次，2次借助物理学家领域知识，3次未能解决。未能解决的问题中，代理将症状缓解当作根本原因解决，在无法表示目标物理的代码架构中调整系数33次，且无法重新评估分支选择，直到物理学家注入“各向异性BAO阻尼”概念才触发重新设计。代理还引入了一个通过所有测试但无理论意义的校准修正，在不同宇宙学参数下预测错误值。研究强调，监督设计（如多样化参数测试、共享变更日志、禁止非物理数值补丁）比模型能力更能决定输出可信度。
论文AI编码代理科学软件Claude Code
推荐理由：这篇案例研究揭示了AI编码代理在科学软件中的关键盲点——无法区分预测充分性与解释正确性，做科学计算或AI辅助研究的开发者看完会重新审视自己的测试策略。
原文