主要观点总结
本文介绍了如何通过结合使用具有结构化中间表示（StructIRs）的机器学习模型来构建更可靠且透明的机器学习系统。文章讨论了StructIRs在三种不同机器学习系统中的应用，并强调了其对于提高系统可靠性和透明性的作用。
关键观点总结
关键观点1: 研究背景与现状
随着机器学习在复杂应用中的广泛应用，如大规模网页搜索、内容推荐、自动驾驶汽车等，系统主要依赖数据驱动，存在不透明、样本效率低下和脆弱等问题。
关键观点2: StructIRs的作用与优势
StructIRs通过优化明确的目标获得，具有结构约束和足够的表达能力，可以增加模块化并使建模假设显式化，使得ML系统更加可靠且透明。
关键观点3: StructIRs在三种不同系统中的应用
文章探讨了StructIRs在三种不同机器学习系统中的作用，包括ML驱动的数据中心存储策略、文本生成的嵌入表示以及基于Bandit的推荐系统。
关键观点4: 数据派THU的介绍
数据派THU作为数据科学类公众号，分享前沿数据科学与大数据技术创新研究动态，并努力建设数据人才聚集平台。
文章预览
来源：专知 本文 为论文介绍 ，建议阅读 5 分钟 在本论文中，我们研究了如何通过使用具有结构化中间表示（Structured Intermediate Representations, StructIRs）的机器学习模型来构建更可靠且透明的机器学习系统。 机器学习（Machine Learning, ML）越来越多地用于驱动复杂应用，如大规模网页搜索、内容推荐、自动驾驶汽车以及基于语言的数字助理。近年来，这些系统变得主要依赖数据驱动，通常以端到端学习复杂函数的深度学习模型为基础，这些模型通过大量可用数据进行训练。然而，纯粹的数据驱动特性也使得所学习的解决方案不透明、样本效率低下且脆弱。 为了提高可靠性，生产级解决方案通常采用混合形式的ML系统，这些系统利用深度学习模型的优势，同时通过系统中的其他组件来处理诸如规划、验证、决策逻辑和政策合规等辅助功能。然而，由于这
………………………………
