-
![配置rabbitmq]()
1. 启用网页版后台管理插件：
---
```
rabbitmq-plugins enable rabbitmq_management
```
2. 创建端口
---
```
sudo RABBITMQ_NODE_PORT=5679 RABBITMQ_NODENAME=rabbit_15679 RABBITMQ_SERVER_START_ARGS="-rabbitmq_management listener [{port,15679}]" rabbitmq-server -detached
#
-
![基于ML的COVID-19流行病学框架]()
在过去20个月中，COVID-19大流行对日常生活产生了深远影响，给规划供需的企业带来了后勤挑战，并为致力于支持社区及时应对公共卫生的政府和组织带来了困难。虽然已经有经过充分研究的流行病学模型可以帮助预测COVID-19病例和死亡，以帮助应对这些挑战，但这种大流行产生了前所未有的实时公开数据，这使得使用更先进的机器学习技术来改善结果成为可能。
在"对人工智能增强流行病学进行前瞻性评估以预测美国和日本的COVID-19"中，我们继续了我们以前的工作[1，2，3，4]，并提出了一个框架，旨在模拟某些
-
![SimVLM：具有弱监督的简单视觉语言模型预训练]()
视觉语言建模将语言理解建立在相应的视觉输入中，这对于重要产品和工具的开发非常有用。例如，图像标题模型根据其对给定图像的理解生成自然语言描述。虽然这种跨模态工作存在各种挑战，但由于采用了有效的视觉语言预训练（VLP），在过去几年中，视觉语言建模取得了重大进展。这种方法旨在从视觉和语言输入中学习单个特征空间，而不是学习两个单独的特征空间，一个用于视觉输入，另一个用于语言输入。为此，现有的VLP通常利用对象检测器，如Faster R-CNN，在标记的对象检测数据集上进行训练，以隔离感兴趣的区域（ROI
-
![实用的差异私有群集]()
在过去的几年中，例如，在处理敏感数据的隐私安全方法方面取得了进展，同时发现了对人员流动性的见解，并通过使用联合分析（如RAPPOR）取得了进展。在2019年，我们发布了一个开源库，使开发人员和组织能够使用提供差分隐私的技术，这是一个强大且被广泛接受的隐私数学概念。差分私有数据分析是一种原则性方法，使组织能够从其大部分数据中学习和发布见解，同时提供数学保证，即这些结果不允许任何单个用户的数据被区分或重新识别。
在这篇文章中，我们考虑了以下基本问题：给定一个包含有关用户的多个属性的数据库，如何创建有
-
![决定哪些任务应该在多任务神经网络中一起训练]()
许多机器学习 （ML） 模型通常专注于一次学习一个任务。例如，语言模型在给定过去单词的上下文的情况下预测下一个单词的概率，而对象检测模型则识别图像中存在的对象。但是，在某些情况下，同时从许多相关任务中学习会带来更好的建模性能。这在多任务学习领域得到了解决，这是ML的一个子领域，其中多个目标同时在同一模型中训练。
考虑一个真实的例子：乒乓球游戏。打乒乓球时，判断乒乓球的距离、旋转和即将发生的轨迹，调整身体，摆成一个秋千，往往是有利的。虽然这些任务中的每一个都是独一无二的 - 预测乒乓球的旋转与预测
-
![GoEmotions：用于细粒度情感分类的数据集]()
情绪是社交互动的一个关键方面，影响着人们的行为方式并塑造了人际关系。对于语言来说尤其如此——只需几个词，我们就能表达出各种微妙而复杂的情感。因此，使机器能够理解上下文和情感一直是研究界的长期目标，这反过来又将实现各种应用程序，包括移情聊天机器人，检测有害在线行为的模型以及改进的客户支持交互。
在过去的十年中，NLP研究界已经为基于语言的情感分类提供了几个数据集。其中大多数是手动构建的，涵盖了目标领域（新闻标题，电影字幕，甚至童话故事），但往往相对较小，或者只关注1992年提出的六种基本情绪（愤怒
-
![自我监督可逆性感知强化学习]()
强化学习（RL）通常用于为从机器人到芯片设计的各种应用训练代理。虽然RL擅长发现如何从头开始解决任务，但它在训练代理以了解其行为的可逆性方面可能很困难，这对于确保代理在其环境中以安全的方式运行至关重要。例如，机器人通常成本高昂且需要维护，因此人们希望避免采取可能导致组件损坏的行为。估计一个动作是否可逆（或者更好的是，它有多容易被逆转）需要对代理所运行的环境的物理特性有一个有效的知识。但是，在标准 RL 设置中，代理不具备足以执行此操作的环境模型。
在NeurIPS 2021上接受的"没有回头路：
-
![改进了 Pixel 6 上的设备上机器学习，具有神经架构搜索]()
今年秋季推出的 Pixel 6 手机搭载Google Tensor，这是谷歌首款移动系统级芯片 (SoC)，将各种处理组件（如中央/图形/张量处理单元、图像处理器等）集成到单个芯片上，定制- 旨在为 Pixel 用户提供最先进的机器学习 (ML) 创新。事实上，Google Tensor 的每个方面都经过设计和优化，以运行 Google 的 ML 模型，符合我们的AI 原则。首先是在 Google Tensor 中集成的定制 TPU，它使我们能够实现我们对 Pixel 手机应该具备的可能性的愿景
-
![Nest Hub 中的增强型睡眠感知]()
今年早些时候，我们在 Nest Hub 中推出了非接触式睡眠感应，这是一项可选功能，可以帮助用户更好地了解他们的睡眠模式和夜间健康状况。虽然一些最重要的睡眠见解可以从一个人的整体时间表和睡眠持续时间中得出，但仅凭这一点并不能说明全部情况。人脑具有特殊的神经回路来协调睡眠周期——深度、轻度和快速眼动 (REM)睡眠阶段之间的过渡——不仅对身体和情绪健康至关重要，而且对最佳的身体和认知表现也很重要。将此类睡眠分期信息与干扰事件相结合可以帮助您更好地了解睡眠时发生的情况。
今天，我们宣布了睡眠感知的增
-
![模型集成比您想象的要快]()
在为新的机器学习应用程序构建深度模型时，研究人员通常从现有的网络架构开始，例如ResNets或EfficientNets。如果初始模型的准确度不够高，更大的模型可能是一个诱人的选择，但实际上可能不是手头任务的最佳解决方案。相反，可以通过设计一个针对任务优化的新模型来潜在地实现更好的性能。然而，这种努力可能具有挑战性，并且通常需要大量资源。
在“委员会的智慧：更快、更准确模型的被忽视的方法”中，我们讨论了模型集成和称为模型级联的子集，这两种方法都是通过收集现有模型并组合其输出来构建新模型的简单方法
