2019机器智能前沿论坛

1547898072596

2019 Byte Tech AI Symposium机器智能前沿论坛记录。
本文多图,约200M,谨慎阅读。
如有需要,建议另存为HTML或者其它格式。

Info

SIGAI人工智能平台 (除技术栏目外需要付费),机器学习算法地图

算法地图背面.jpg

算法地图正面.jpeg

电脑桌面版.jpg

以下为预览:(桌面版)

1547898987050

短视频内容理解与推荐竞赛 (ICME 2019 Grand Chanllenge)

前言

天气稍冷。会议在8点半开始入场。门口已经排起了长队,想必对数据科学的向往已经深入人心。

1547897522092

时间悠然溜走。然而阳光乍起,暖色调迎面袭来,令人顿生期许。

1547897994048

致辞

1547898072596

孙茂松:介绍嘉宾。
致辞,致辞,致辞……

  • 脑科学记忆机制研究进展缓慢
  • 创造算法,算法产生知识,则知识产权如何定义?(legal issues)
  • 网络安全大有所为
  • CSranking(CMU,Tsinghua,…:smile:)
  • 清华人工智能发展历史悠久。

李航致辞:

  • 今日头条,抖音
  • AIlab与产品线路相结合(落地型研究所)。ByteCUP

Dawn Song-人工智能与安全:经验、挑战与未来方向

Dawn Song,加州大学伯克利分校,计算机系教授。清华物理系校友。

Overview

AI,Security 相互影响。

1547910472703

1547899231619

DDOS attack等网络攻击逐渐严重化。

弱点检测,自动检查系统等。

1547899395535

人类常常造成基础性弱点 黑客可能利用社会工程学——Chatbot。

1547899415915

软件安全验证。例:verify programs 开源项目。

1547908651488

Attacker

讲述网络攻击者对机器学习的影响。

1547908680243

总览。

1547908761493

下面是一些对抗样本的展示。adversarial examples

1547908832052

left can lead to wrong classification label!
(下面视频中左边的复合成图像可以干扰AI,但人类却容易正确识别,录的效果不好+HTML不支持orz,视频删掉了

1547917533904

1547908872938

视觉问答系统中的对抗样本。VQA。

1547908887626

1547908941409

1547909016413

我的猜测:容易被fool的根本解释可能是因为计算机识别的特征尺度与人类的直觉是不同的。
(也许它们认知到了一些底层特征)

利用对抗样本诱骗强化学习器。

1547909099575

Secure

利用神经网络生成对抗样本。

1547909164994

黑盒攻击模式总览。(不知道学习器的内部结构)

1547909602392

对抗式机器学习总结。

1547909875432

一个案例。(手段:spacial consistency)

1547909902008

学习系统的安全级别分为三类:

1547909986308

一个对比。

1547910001052

再来一个对比。

1547910059031

使用递归(recursion)来生成神经算法,这里指的是减治/分治

1547910070683

1547910080974

再回security level:

1547910091088

神经网络是否只是强行记住了数据呢?

1547910127200

Looks like it。

1547910167531

防护方法:

1547910185035

好啦,回到主题上,今天主要讲了两个方面,AI和security互相的enabler。

1547910472703

Final

最后,展望未来:

1547910511033

ByteCUP比赛颁奖仪式

Overview

1547910566593

颁奖~

1547910590416

1547910783233

1547910799583

第一名一个人领666。

分享~

Team 3th

1547910865006

Team 2nd

模型融合。

1547910911823

Team 1st

有点像debug。。真简洁。

1547910952574

1547911003387

1547911014827

李航-深度学习与NLP

Overview

为什么深度学习的效果如此之好?下一个方法是什么?

人的语言处理——认知现象。神经网络,产生表象(image)
但大脑实质在做神经计算(下意识进行),符号在大脑中被编码储存(类似计算机)

1547911147478

1547911224748

体验模拟假说——大猩猩是否有鼻子?鼻子是否被大猩猩所有?

(鼻子似乎很难有一个image),会不会造成过于的端到端——机制仍然是一个谜。

1547911259141

Findings

一个二层神经网络就被证明为是万能函数近似器。

1547911272319

样本效率:(深度网络可以充分利用样本?)

1547911285763

泛化能力考量新进展。

1547911298245

1547911317326

鲁棒性。(最坏意义误差控制On)

1547911325968

合理性。(如何避免bias?)

1547911336697

可解释性。

1547911345638

NLP

1547911354983

1547911364945

1547911377399

1547911393439

Soft

1547911403121

Future

1547911814356

1547911825948

符号和统计这两种类型的结合仍然是一个非常新颖的课题。

1547911862094

Summary

1547911928314

1547911937899

朱军-不确定和对抗环境下的机器学习探讨

清华计算机系教授。

Overview

1547912036096

1547912101775

1547912111189

1547912145530

珠算-zhusuan

珠算系统——概率学习

1547912155121

调包示例:

1547912196798

1547912229893

1547912241854

如何评价生成模型框架 ZhuSuan?

ZhuSuan: A Library for Bayesian Deep Learning

Welcome to ZhuSuan

Triple GAN

1547912364641

1547912389316

1547912398208

1547912409970

Attack

1547912417989

1547912427051

1547912445739

Summary

神经网络不怕白噪声,但怕对抗噪声
正则化虽然削弱了收缩能力,却可能导致样本的正确率所对应的成功样本集具有随机性(尽管最后的正确率往往接近)
鲁棒性,增加样本距离

1547912454125


茶歇(招聘通道)

1547912586910

文林福-计算机视觉在移动端相机上的应用

1547912681779

Introduction

1547912790560

1547912801729

1547912812269

1547912825848

Algorithms

1547912833506

1547912840615

稀疏化处理:

1547912848649

自动化:

1547912870540

1547912883343

Machine Level

1547912902817

1547912961107

然后放了一堆抖音视频。。

王长虎-CV在内容审核、理解、推荐与搜索中的应用

1547912968331

1547912977617

1547913049406

1547913058549

1547913068121

1547913077619

1547913085358

后面没记。。

王井东-基于交错组卷积的高效神经网络

微软亚研院高级研究员。

看他的PPT吧。(演讲PPT

1547913097024

1547913113288

马泽君-音频理解与语音交互技术的应用

1547913869429

1547913878008

1547913885339

1547913892997

1547913929249

1547913938219

王雨轩-语音合成的新进展及其应用

General

1547913970591

1547913992116

1547914002513

1547914009538

1547914016702

Tacotron

Tacotron真厉害。效果拔群。

1547914057236

1547914068355

1547914076480

1547914084524

1547914092456

1547914099951

Final

1547914124249

谢磊-深度对抗学习在语音处理中的应用

西北工业大学计算机系教授。

深度学习+信号处理
深度对抗学习
对抗样本——数据扩充(数据增强,Data Augmentation)!

对抗样本的原理很可能跟高维空间的变形有关。添加一个小的全维平衡扰动,将极大地影响距离度量。

Overview

1547914179280

1547914192234

1547914203409

1547914212701

1547914233972

1547914245655

Deep Adversarial Learning

1547914280709

1547914289609

1547914298099

1547914306463

例子。

1547914316244

1547914328211

1547914340297

正则化。

1547914370113

Summary

1547914420221

1547914429620

Dan Roth-附带监督的NLP

宾夕法尼亚大学计算与信息科学杰出教授。

跟不上节奏。。老老实实地当摄影师。

1547914458715

Start

1547914496057

1547914512699

1547914522188

1547914548844

1547914561711

1547914576202

1547914590525

1547914610034

1547914618642

1547914628801

1547914637092

1547914645433

1547914657537

1547914667411

1547914680598

1547914692915

1547914705823

1547914719214

1547914731847

1547914745705

1547914757787

1547914777387

1547914787523

1547914809266

1547914820010

1547914833424

1547914844320

1547914858770

1547914870609

1547914879016

1547914887648

1547914897631

1547914906772

1547914917789

1547914930398

1547914939916

Conclusion

1547914951781

李磊-Learning to Generate Better News, Translation, and Advertisement

1547915367252

Overview

1547915378667

1547915457088

1547915469100

1547915477964

Applications

1547915485483

1547915505687

1547915512832

1547915519790

Technologies

1547915548597

1547915565764

1547915588118

1547915603035

1547915615979

1547915625756

1547915635017

1547915651685

Conclusion

1547915660760

1547915677222

张敏-个性化推荐研究新进展

清华计算机系教授。

1547915711336

Overview

1547915724273

可解释性,鲁棒性,公平性(无偏性)。


1547915763486

Explainability

1547915774459

1547915869467

1547915878050

1547915886432

Robustness

1547915909305

1547915947597

1547915956259

Fairness

1547915971674

1547915990329

1547916000865

1547916014358

Conclusion

1547916032481

万小军-自然语言生成(NLG)技术研究进展

北大计算机系教授。

NLG的评价指标研究是一个核心的挑战问题

1547916261083

Overview

1547916272702

1547916315941

Apply

交互,写诗集?

1547916324340

未来可能的应用方向:

1547916356913
NLG方法:

1547916380228

目前来说,NLG领域还没有拿得出手的绝活。

1547916427163

1547916456511

1547916466597

1547916505375

1547916517065

1547916525636

Challenges

1547916533954

1547916551185

尾声

不知不觉一整天就过去了。获得了多少?消化了多少?

Ask myself that, and wall into the good night.

1547916669280

Arrangement

0%