在日新月异的技术发展中，测试已成为各行各业确保产品和服务质量的重要环节。无论是在软件开发中验证代码功能，教育中检测学习成效，还是制造业中保证产品质量，测试都在发挥着不可替代的作用。同时，测试也是一种风险管理的方式，帮助我们在项目实施前预见并解决问题。因此，我们应该深入理解和应用测试原则，以此推动持续改进和创新，创造出更优质的产品和服务。

数据编程的范例在使用规则的形式和标记函数中使用弱监督来显示许多承诺，用于在几种文本分类方案中学习，其中标记数据不可用。另一种示出了许多承诺的方法是半监督学习，其中我们使用大型未标记的数据集增强少量标记的数据。在这项工作中，我们认为，通过不使用任何标记的数据，基于数据编程的方法可以产生次优性能，特别是在标签功能嘈杂的情况下。这项工作的第一个贡献是对联合学习框架的研究，将未经监督的义务与半监督学习结合在标签职能中。我们学习一个联合模型，有效地使用规则/标记功能以及在特征空间上的半监控损失函数。接下来，我们还研究一个子集选择方法来select可以用作标记集的示例集，使得标记的数据可以补充标签函数，从而实现两个世界的最佳效果。我们证明，通过有效地结合半监督，数据编程和子集选择范式，我们在七个公共数据集中显着优于当前最先进的。

传统的超分辨率（SR）方法通过最小化平均方形误差通常产生具有过平滑和模糊边缘的图像，由于缺乏高频细节。在本文中，我们提出了一种在生成的对抗网络框架内提出了两种新颖的技术，以鼓励为图像超分辨率产生照片 - 现实图像。首先，不是制作单一分数来区分实际和假图像，我们提出了一种变种，称为细粒度关注生成的对抗网络（Fasrgan），以区分实际和假图像的每个像素。 Fasrgggn采用一个像unet-like的网络作为具有两个输出的鉴别器：图像分数和图像分数图。得分图具有与HR / SR图像相同的空间尺寸，用作致细粒的注意力，以代表每个像素的重建难度。其次，而不是使用不同网络的发电机和鉴别器，我们将发电机和鉴别器介绍一个特征共享变量（表示为FS-SRGAN）。共享机制可以在使模型更紧凑的同时保持模型表达功率，因此可以提高生产高质量图像的能力。在基准数据集上具有最先进方法的定量和视觉比较，证明了我们方法的优越性。我们进一步应用我们的超分辨率图像进行对象识别，进一步展示了我们所提出的方法的有效性。代码地址：https:/github.com/rainyfish/fasrgan-and-fs-srgan。

Proactive Human-Machine Coversation with Explicit Conversation Goals ACL 2019 一、动机 人机对话是人工智能的一项基本挑战，涉及语言理解、对话控制和语言生成等关键技术，受到了学术界和工业界的广泛关注。但目前的人机对话普遍存在以下问题： 机器大多是被动对话形式，即机器的回复是用于响应用户的输入，无法像人一样进行充分的信息交互 机器的对话漫无目的，缺乏像人一样的自主意识 因此，我们提出了主动对话任务： 给机器设定对话目标 让机器...

随着深度学习的到来，基于神经网络的推荐模型已经成为解决个性化和推荐任务的重​​要工具。这些网络由于需要处理类别特征而与其他深度学习网络明显不同，因此并未得到充分的研究或理解。在本文中，我们开发了最新的深度学习推荐模型（DLRM），并提供了在PyTorch和Caffe2框架中的实现。此外，我们设计了一种特殊的并行化方案，该方案利用嵌入表上的模型并行性来减轻内存限制，同时利用数据并行性来从完全连接的层进行横向扩展计算。我们将DLRM与现有推荐模型进行了比较，并描述了其在Big Basin AI平台上的性能，