lida

这篇文章主要探讨了将深度学习应用于临床前药物发现的几种新型方法。文章首先介绍了一种生成分子连接物的方法，并在大规模测试中超过了基于数据库的方法。接着，该方法扩展到了包括物理意义上的三维结构信息，并应用于分子阐述任务。然后，文章关注于预测模型，尤其是基于结构的虚拟筛选，提出了一种基于结构的虚拟筛选方法和一种结合特定领域知识的转移学习方法。最后，作者研究了如何使用生成方法来改善基于结构的虚拟筛选中的训练和基准集，并提出了一个深度学习方法来生成诱饵，以控制诱饵偏差或构建具有确定偏差的集合。

这篇文章由MIT电子工程及计算机科学系助理教授韩松撰写，他曾是斯坦福大学电子工程系的博士，并师从NVIDIA首席科学家Bill Dally教授。文章讨论了如何提高深度学习效率的问题，主要涉及三种方法：利用深度压缩实现更小的模型大小，利用DSD正则化实现更高的预测准确度，以及利用EIE加速实现快速、能耗低的推断。韩松提出了“深度压缩”算法，包括剪枝、量化训练和可变长度编码等步骤，能在不损失预测准确度的前提下将模型大小减小18-49倍。他还提出了dense-sparse-dense训练技术，可以提高多种深度学习模型的预测准确度。此外，韩松还研究了一种名为EIE的高效推断机，能在压缩后的模型上直接执行推断，提高速度的同时降低能耗。

这篇文章主要探讨了深度学习和医学图像理解的交叉领域，特别是在医学图像识别方面的发展和挑战。作者提出了三个关键方向：专家级医学图像理解算法的开发，高质量数据集的设计和管理，以及医学图像算法的真实世界评估。同时，文章也展望了人工智能在医学领域的广泛应用，如早期疾病检测、预后改善和个性化治疗等。作者认为，当前深度学习算法的开发主要集中在解决需要大量干净数据的任务，而面对医学中常见的噪声或有限标签数据的任务，仍需更深入的研究。

这篇文章介绍了一种基于人工智能的技术，能通过分析 faces 图像来预测人类的性取向，准确率高达 90%。该技术的出现引发了关于隐私和可靠性问题的讨论。