据报道，乌克兰科技有限公司Yandex与剑桥大学和牛津大学协作，在NeurIPS大会(Conference and Workshop on Neural Information Processing Systems，神经系统数据分析系统交流会)上发布全世界“变化挑戰(Shifts Challenge)”，致力于处理深度学习(machine learning，ML)中的分布迁移难题，并选用了当今业内较大 的自动驾驶汽车(AV)数据集。

　　该数据集是在国外、非洲和乌克兰的各种各样气温标准下开展自动驾驶技术性检测搜集个人所得，包括600,000个情景，等同于1,600多钟头的安全驾驶時间。

　　Yandex强调，摆脱分布迁移是训炼ML模型的一个重要层面，且对打造出能够在全部自然环境下平稳运作的模型也十分关键。这也是在“日常生活自然环境”中运作模型的前提条件，比如在城市街道上行车的自动驾驶汽车。因而，Yandex发布这类挑戰是加快ML行业科学研究的重要专用工具。

　　“Shifts Challenge”一共有三个比赛新项目，分别是AV运动轨迹预测分析、翻译机器和天气预告。除开600,000个情景下的AV数据集外，别的2个新项目的参加者还能够浏览来源于Yandex的别的高品质数据集。AV新项目的参加者将被邀约在一些特殊种类的情景上训炼其健身运动预测分析模型，随后在不一样部位的不一样标准下对其开展检测，以进一步改善。接着，挑戰联合会对各模型开展评定。

　　根据模型的预测分析精确性及其在给出状况下可能其预测分析不确定性的工作能力，挑戰联合会得出最后排行。不确定性可能会表明模型对其管理决策的明确水平。这与模型预测分析精确性一样关键，且针对AV技术性的盈余管理和稳定性尤为重要。

　　牛津大学在Shifts Challenge中的协作责任人Mark Gales表明：“伴随着深度神经网络方式 愈来愈强劲，这种方式 被运用于更为有意思和多元化的行业。针对这种系统软件来讲，‘了解何时不清楚’以避免不正确管理决策越来越愈来愈关键。”

　　Yandex高級科学研究生物学家兼Shifts Challenge责任人Andrey Malinin表示：“在开发设计可以造成精确不确定性可能的稳定模型的全过程中，其关键阻碍是巨大、多种多样数据集的易用性，在其中，这种数据集包括真正工业生产每日任务的分布变化实例。该行业的大部分科学研究全是在具备生成分布迁移的中小型图像分类数据集上进行的。悲剧的是，这种数据集上的不错成效一般不可以营销推广到规模性工业生产运用，比如自动驾驶汽车。大家的总体目标是根据公布一个大中型数据集来处理以上难题，在其中该数据集包括与图像分类不一样的每日任务的真正分布迁移实例。大家期待这将为不确定性可能和盈余管理科学研究塑造新的规范。”

（文章内容来源于：旷世汽车）