論文快讀

2021 年 11 月 Samsung AI Center 提出一篇做圖像修復 (Inpainting) 的論文，這裡的圖像修復指的是重建圖像中丟失或損壞的部分，讓我們先來看看模型驚人的效果。

在物流業與製造業中，常會遇到材料分類裝箱，或是物品裝箱的問題，以往都是以人工方式排列，但這十分耗費人力，且不一定能排列最佳的裝箱方式。隨著人工智慧的興起，許多學者針對裝箱問題進行研究。

在這個機器學習或AI蓬勃崛起的年代，各個領域都能運用到相關技術，金融市場正是其中一個熱門領域，每個人都想預測市場上各個商品的高點、低點，或是上漲或下跌的趨勢，更期待能應用於股市行情的預測上。

在數據分析時，有一種資料類型是資料間具有階層結構（hierarchical-structure data），例如社交網路、RNA結構等，後續能應用在推薦系統、結構預測等議題上。這類資料通常希望可以在分析時，盡量保持原始的資料結構關係。如果讓很多維度的資料在降維後，仍然保持資料結構的關係，無疑可以大大提高模型預測的準確性。以下是UC Berkeley的Guo等人在2022年6月提出的新方法。

你知道這個世界上有超過 40% 的語言沒有完整的文字系統嗎？ 那這些沒有文字的語言要如何進行翻譯？ 有沒有什麼方法能越過文字，直接對語音做翻譯呢？

在近期的 AI Research，我們在弱人工智慧(Artificial Narrow Intelligence) 領域中，不斷推陳出新、突破天花板、創造新的演算法。我們針對任務收集相關知識下的資料，並訓練其模型。同時造就了各個領域及行業中的 AI 工程師，但你有沒有曾經想過，未來會有一個 AI 模型能夠分析所有任務，回答你所有問題，取代掉數個領域的 AI 模型呢？

CNN是近年來圖像分類任務中大家的優先選項之一。從2012年的AlexNet開始至今，許多學者相繼針對CNN based模型進行改進。近年來除了大家耳熟能詳的ConvNet based模型外，包括GoogleNet、ResNet等，也開始引進在NLP任務中大獲成功的Transformer架構，如：Swin Transformer。

推薦系統在生活中無所不在，可以被應用在社群媒體推播、網頁搜尋內容呈現、電商商品推薦等。這樣的系統可以提升用戶的黏著度，更可以為企業帶來收益，對於追求實效的業界來說，在推薦系統上的研發與創新層出不窮。

本次為大家介紹的是Google團隊提出的Temporal Fusion Transformers(TFT)，能透過過去數值的變化趨勢來預測未來，在統計與機器學習領域中，這類的問題被稱為「時間序列分析」。