安卓还阻止私有计算核心内的任何功能直接访问网络 。 相反 ， 功能通过一小组开源 API 与私有计算服务（Private Compute Services）进行通信 ， 后者消除识别信息并利用联邦学习、联邦分析和私有信息检索等隐私技术 ， 在确保隐私的同时实现学习 。
联邦重构是一种全新的局部联邦学习技术 ， 它将模型划分为全局和局部参数 。
趋势 4：机器学习对科学、健康和可持续发展的影响越来越大
近年来 ， 从物理学到生物学 ， 机器学习在基础科学中的影响越来越大 ， 并在相关领域（例如可再生能源和医学）实现了许多优秀的实际应用 。 例如 ， 计算机视觉模型正在被用来解决个人和全球范围内的问题 ， 它们可以协助医生展开日常工作 ， 扩展人们对神经生理学的理解 ， 还可以提供更精准的天气预报 ， 可以简化救灾工作 。 通过发现减少排放和提高替代能源输出的方法 ， 其他类型的机器学习模型被证明在应对气候变化方面至关重要 。 随着 机器学习变得更加稳健、成熟且可广泛使用 ， 这样的模型甚至可以用作艺术家的创作工具 。
计算机视觉的大规模应用以获得新的洞察力
过去十年计算机视觉的进步使计算机能够用于不同科学领域的各种任务 。 在神经科学中 ， 自动重建技术可以从脑组织薄片的高分辨率电子显微镜图像中恢复脑组织的神经结缔结构 。
前几年 ， 谷歌合作为果蝇、小鼠和鸣禽的大脑创建了此类资源；去年 ， 谷歌与哈佛大学的 Lichtman 实验室合作 ， 分析了重建的最大脑组织样本 ， 以及任何物种中的这种细致程度成像 ， 并生成了跨越皮层所有层的多种细胞类型的人类皮层突触连接的第一次大规模研究 。 这项工作的目标是生成一种新的资源 ， 帮助神经科学家研究人类大脑的惊人复杂性 。 例如 ， 下图显示了成人大脑中约 860 亿个神经元中的 6 个神经元

文章图片

来自谷歌人类皮层重建的单个人类枝形吊灯神经元 ， 以及与该细胞连接的一些锥体神经元 。
计算机视觉技术还提供了强大的工具来应对更大甚至全球范围内的挑战 。 一种基于深度学习的天气预报方法使用卫星和雷达图像作为输入 ， 并结合其他大气数据 ， 在长达 12 小时的预测时间内产生比传统的基于物理的模型更准确的天气和降水预测 。 与传统方法相比 ， 它们还可以更快地生成更新的预测 ， 这在极端天气出现时非常重要 。

文章图片

这些案例的一个共同主题是 ， 机器学习模型能够基于对可用视觉数据的分析 ， 高效、准确地执行专门的任务 ， 支持下游任务 。
自动化设计空间探索
另一种在许多领域产生出色结果的方法是允许机器学习算法以自动化方式探索和评估问题的设计空间 ， 以寻找可能的解决方案 。 在一个应用程序中 ， 基于 Transformer 的变分自动编码器学习能够创建美观且有用的文档布局 ， 并且可以扩展相同的方法来探索可能的空间布局 。
另一种机器学习驱动的方法能够自动探索计算机游戏规则调整的设计空间 ， 提高游戏的可玩性和其他属性 ， 使人类游戏设计师能够更快地创建更好的游戏 。

文章图片

VTN 模型的可视化 。 它能够提取布局元素（段落、表格、图像等）之间的有意义的联系 ， 以生成逼真的合成文档（例如 ， 具有更好的对齐和边距） 。