亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

主題： Agile Machine Learning

摘要： 凝聚人才，打造一支偉大的應用型機器學習團隊，是一項不小的壯舉。由于開發人員和數據科學家都在各自領域貢獻了專業知識，單靠通信就可能是一個挑戰。敏捷機器學習教你如何通過敏捷過程交付優秀的數據產品，并通過例子學習如何在生產環境中組織和管理一個快速發展的團隊，該團隊面臨著大規模解決新數據問題的挑戰。作者的方法模擬了敏捷宣言中描述的開創性的工程原理。這本書提供了進一步的上下文，并將最初的原則與交付數據產品的系統的需求進行了對比。

作者簡介： Eric Carter，Eric Carter曾在微軟的Bing和Cortana團隊擔任合作伙伴團隊工程經理。在這些角色中，他致力于圍繞產品和評論、業務列表、電子郵件和日歷的搜索功能。他目前在微軟白板產品組上工作。

題目： Quantum Adversarial Machine Learning

摘要： 對抗性機器學習是一個新興的研究領域，主要研究機器學習方法在對抗性環境中的脆弱性，并開發相應的技術，使學習對對抗性操作具有魯棒性。它在各種機器學習應用中起著至關重要的作用，近年來引起了不同社區的極大關注。本文探討了量子機器學習中不同的對抗情境。我們發現，與基于經典神經網絡的傳統分類器類似，量子學習系統同樣容易受到精心設計的對抗性示例的攻擊，而與輸入數據是經典的還是量子的無關。特別是，我們發現，通過對原始合法樣本添加不可察覺的擾動而獲得的對抗性示例，可以最終欺騙達到接近最新精度的量子分類器。這在不同場景下的量子對抗學習中得到了明確的證明，包括對現實生活中的圖像（如數據集MNIST中的手寫數字圖像）進行分類，對物質的學習階段（如鐵磁/順磁有序和對稱保護拓撲相）進行分類，以及對量子數據進行分類。此外，我們還指出，根據手頭的對抗性例子的信息，可以設計出實用的防御策略來對抗多種不同的攻擊。我們的研究結果揭示了量子機器學習系統對各種擾動的顯著脆弱性，這不僅從理論上揭示了機器學習與量子物理學之間的聯系，而且為基于近期和未來量子技術的量子分類器的實際應用提供了有價值的指導。

題目： Causal Inference and Stable Learning

簡介：

在一個常見的機器學習問題中，使用一個根據訓練數據集估計的模型，根據觀察到的特征來預測未來的結果值。當測試數據和訓練數據來自相同的分布時，許多學習算法被提出并證明是成功的。然而，對于給定的訓練數據分布，性能最好的模型通常利用特征之間微妙的統計關系，這使得它們在應用于測試數據時更容易出現預測錯誤，因為測試數據的分布與訓練數據的分布不同。對于學術研究和實際應用來說，如何建立穩定、可靠的學習模型是至關重要的。因果推理是一種強大的統計建模工具，用于解釋和穩定的學習。因果推理是指基于某一效應發生的條件，對某一因果關系做出結論的過程。在本教程中，我們將重點討論因果推理和穩定學習，旨在從觀察數據中探索因果知識，以提高機器學習算法的可解釋性和穩定性。首先，我們將介紹因果推理，并介紹一些最近的數據驅動的方法來估計因果效應的觀測數據，特別是在高維設置。摘要為了彌補因果推理與機器學習在穩定學習上的差距，我們首先給出了學習算法的穩定性和魯棒性的定義，然后介紹了一些最近出現的穩定學習算法，以提高預測的穩定性和可解釋性。最后，我們將討論穩定學習的應用和未來方向，并為穩定學習提供基準。

邀請嘉賓：

張潼，香港科技大學計算機科學與數學教授。此前，他是羅格斯大學(Rutgers university)教授，曾在IBM、雅虎(Yahoo)、百度和騰訊(Tencent)工作。張潼的研究興趣包括機器學習算法和理論、大數據統計方法及其應用。他是ASA和IMS的研究員，曾在主要機器學習期刊的編委會和頂級機器學習會議的項目委員會任職。張潼在康奈爾大學獲得數學和計算機科學學士學位，在斯坦福大學獲得計算機科學博士學位。

崔鵬，清華大學計算機系長聘副教授，博士生導師。2010年于清華大學計算機系獲得博士學位。研究興趣包括社會動力學建模、大規模網絡表征學習以及大數據驅動的因果推理和穩定預測。近5年在數據挖掘及人工智能領域高水平會議和期刊發表論文60余篇，曾5次獲得頂級國際會議或期刊論文獎，并先后兩次入選數據挖掘領域頂級國際會議KDD最佳論文專刊。目前擔任IEEE TKDE、ACM TOMM、ACM TIST、IEEE TBD等國際期刊編委。曾獲得國家自然科學二等獎、教育部自然科學一等獎、電子學會自然科學一等獎、CCF-IEEE CS青年科學家獎、ACM中國新星獎。入選中組部萬人計劃青年拔尖人才，并當選中國科協全國委員會委員。

報告題目：

Deep Reinforcement Learning for Computer Vision

報告簡介：

近年來，深度強化學習作為機器學習的基本技術之一得到了發展，并成功地應用于各種計算機視覺任務（表現出最先進的性能）。在本教程中，我們將概述深度強化學習技術的趨勢，并討論如何使用它們來提高各種計算機視覺任務的性能（解決計算機視覺中的各種問題）。首先，我們簡要介紹了深度強化學習的基本概念，并指出了在不同的計算機視覺任務中所面臨的主要挑戰。其次，介紹了一些用于計算機視覺任務的深度強化學習技術及其種類：策略學習、注意感知學習、不可微優化和多智能體學習。第三，介紹了深度強化學習在計算機視覺不同領域的應用。最后，我們將討論深度強化學習中的一些開放性問題，以說明未來如何進一步發展更先進的計算機視覺算法。

嘉賓介紹：

Jiwen Lu，副教授，中國清華大學，自動化系。清華大學自動化系副教授，2015.11-至今，新加坡高級數字科學中心研究科學家，2011.3-2015.11，2003.7-2007.7西安理工大學信息科學系助理講師。

Liangliang Ren ，清華大學博士生，研究方向是計算機視覺與機器學習、度量學習與深度強化學習

教程題目：Adversarial Machine Learning

教程簡介：

近年來，機器學習在廣泛的行業和應用領域得到了顯著的普及。機器學習技術的許多應用本質上是對抗性的，因為其目標是將“壞的”實例與“好的”實例區分開來。事實上，對抗性的使用遠遠超出了這個簡單的分類示例:對惡意軟件的法醫分析，包括集群、異常檢測，甚至自動駕駛汽車上的視覺系統，都可能受到攻擊。針對這些問題，出現了一個關于對抗性機器學習的新興文獻，它涵蓋了對機器學習算法漏洞的分析，以及產生更健壯學習的算法技術。

本教程將從網絡安全和機器學習研究領域中廣泛調查這些問題和技術。特別考慮了對抗性分類器規避(攻擊者改變行為以避免被檢測到)和訓練數據本身已損壞的問題。還討論了逃避攻擊和中毒攻擊，首先討論了分類器，然后討論了其他學習范例和相關的防御技術。然后，我們考慮用于攻擊和防御神經網絡的專門技術，特別是專注于深度學習技術及其對逆向構建實例的脆弱性。

組織者：

Bo Li是伊利諾伊大學香檳分校計算機科學系的助理教授。她的研究興趣在于對抗性的深度學習、安全性、隱私和博弈論。她開發并分析了可伸縮的健壯學習框架，用于在對抗規避攻擊的環境中學習算法。她還分析了物理世界中對抗學習算法的行為。她是賽門鐵克研究實驗室研究生獎學金的獲得者。她于2016年獲得范德比爾特大學博士學位。

Dawn Song是加州大學伯克利分校電氣工程和計算機科學系的教授。她的研究興趣在于深度學習和安全性。她研究了計算機系統和網絡中的各種安全和隱私問題，包括從軟件安全、網絡安全、數據庫安全、分布式系統安全、應用密碼學到機器學習和安全的交叉領域。她是獲得各種獎項,包括麥克阿瑟獎學金,古根海姆獎學金,NSF事業獎,斯隆研究獎學金,麻省理工學院技術評論TR-35獎,喬治Tallman Ladd研究獎,小川基金會研究獎,李嘉誠基金會女性在科學卓越系列講座獎,教師從IBM研究獎,谷歌和其他主要科技公司,從上會議最佳論文獎。她在加州大學伯克利分校獲得了博士學位。在加入加州大學伯克利分校之前，她曾于2002年至2007年在卡內基梅隆大學(Carnegie Mellon University)擔任助理教授。

Yevgeniy Vorobeychik是圣路易斯華盛頓大學計算機科學與工程學院的副教授。此前，他是桑迪亞國家實驗室的首席研究科學家。2008年至2010年，他是賓夕法尼亞大學計算機與信息科學系的博士后研究員。他獲得了密歇根大學的計算機科學與工程博士學位(2008)和碩士學位(2004)，以及西北大學的計算機工程學士學位。他的工作重點是安全與隱私的博弈論建模，對抗機器學習，算法和行為博弈論和激勵設計，優化，基于代理的建模，復雜系統，網絡科學，流行病控制。Vorobeychik博士在2017年獲得了美國國家科學基金會職業成就獎，并受邀發表了ijcai16早期職業聚焦演講。他被提名為2008年ACM博士學位論文獎，并獲得了2008年IFAAMAS杰出論文獎的榮譽獎。

教程ppt下載鏈接： 鏈接：//pan.baidu.com/s/1YDWJ2lFhiLRtNDpH4YyZLg 提取碼：ccra

主題： An Overview of the International Planning Competition

摘要： 本教程介紹了自然語言的深度貝葉斯和序列學習的進展，其應用廣泛，從語音識別到文檔摘要、文本分類、文本分割、信息提取、圖片標題生成、句子生成、對話控制、情感分類，推薦系統，問答和機器翻譯。傳統上，“深度學習”被認為是一種基于實值確定性模型進行推理或優化的學習過程。從大量詞匯中提取的單詞、句子、實體、動作和文檔中的“語義結構”在數學邏輯或計算機程序中可能沒有得到很好的表達或正確的優化。自然語言離散或連續潛變量模型中的“分布函數”在模型推理中可能無法正確分解或估計。本教程介紹了統計模型和神經網絡的基本原理，重點介紹了一系列先進的貝葉斯模型和深層模型，包括分層Dirichlet過程、Chinese restaurant 過程、分層Pitman-Yor過程、Indian buffet過程、遞歸神經網絡、長時短期記憶，序列到序列模型，變分自動編碼，生成對抗網絡，注意機制，記憶增強神經網絡，隨機神經網絡，預測狀態神經網絡，策略梯度和強化學習。我們將介紹這些模型是如何連接的，以及它們為什么在自然語言中的符號和復雜模式的各種應用中起作用。為了解決復雜模型的優化問題，提出了變分推理和抽樣方法。詞和句子的嵌入、聚類和共聚類與語言和語義約束相結合。本文提出了一系列的個案研究，以解決深度貝葉斯學習與理解中的不同問題。最后，我們將指出未來研究的一些方向和展望。

邀請嘉賓： Jen-Tzung Chien在臺灣新竹國立清華大學取得電機工程博士學位。現任職于臺灣新竹國立交通大學電子及電腦工程學系及電腦科學系講座教授。2010年，他擔任IBM沃森研究中心的客座教授。他的研究興趣包括機器學習、深度學習、自然語言處理和計算機視覺。在2011年獲得了IEEE自動語音識別和理解研討會的最佳論文獎，并在2018年獲得了AAPM Farrington Daniels獎。2015年，劍橋大學出版社出版《貝葉斯語音與語言處理》;2018年，學術出版社出版《源分離與機器學習》。他目前是IEEE信號處理技術委員會機器學習的當選成員。

教程題目：Learning from 3D (Point Cloud) Data

教程簡介：

在(3D)點云上學習對于自動駕駛、機器人感知、VR/AR、游戲和安全等廣泛的新興應用至關重要。由于激光雷達、3D相機和RGB-D等3D傳感器的普及，這種需求最近有所增加。點云由成千上萬個點組成，是對傳統2D相機的補充。點云數據上的三維學習算法是一種全新的、令人興奮的方法，可以解決三維分類、檢測、語義分割和人臉識別等眾多核心問題。本教程涵蓋點云數據的需求、捕獲數據的背景、3D表示、新興應用程序、核心問題、最新的學習算法(例如，基于體素、基于點的算法等)和未來的研究機會。還將展示最近工作在幾個三維基準，如ScanNet, KITTI等。

組織者：

徐宏民教授是一位活躍的研究人員，致力于大型圖像/視頻檢索/挖掘、視覺識別和機器智能。他是國立臺灣大學計算機科學與資訊工程學系的教授。他和他的團隊獲得了多媒體和計算機視覺研究領域的技術獎項，包括IBM research的Pat Goldberg Memorial最佳論文獎(2018)，2017年ACM多媒體大會最佳新創意論文獎，IARPA變臉大賽第一名(CVPR 2018)， 2011年ACM多媒體大挑戰一等獎，2013/2014年度ACM多媒體大挑戰多模態獎等。徐教授熱衷于通過學術-產業合作和共同創辦創業公司來實現對商業成果的先進研究。2014年，他是微軟雷德蒙德研究院的訪問科學家，2016-2017年，他在IBM TJ Watson研究中心休了一年的年假。他曾擔任《IEEE視頻技術電路與系統學報》(TCSVT)和《IEEE多媒體學報》(IEEE Multimedia Transactions on Video Technology)的副主編，并擔任《IEEE多媒體雜志》(2010 - 2017)的編委。

題目： Multimodal Intelligence: Representation Learning, Information Fusion, and Applications

摘要： 自2010年以來，深度學習已經徹底改變了語音識別、圖像識別和自然語言處理，每一項都涉及到輸入信號中的單一模態。然而，人工智能中的許多應用都涉及到一種以上的模式。因此，研究跨多種模式的建模和學習這一更為困難和復雜的問題具有廣泛的興趣。本文對多模態智能的模型和學習方法進行了技術綜述。視覺與自然語言的結合已成為計算機視覺和自然語言處理研究領域的一個重要課題。本文從學習多模態表示、多模態信號在不同層次的融合以及多模態應用三個新的角度，對多模態深度學習的最新研究成果進行了綜合分析。在多模態表示學習中，我們回顧了嵌入的關鍵概念，它將多模態信號統一到同一向量空間中，從而實現跨模態信號處理。我們還回顧了為一般下游任務構造和學習的許多嵌入類型的特性。關于多模融合，本文著重介紹了用于集成特定任務的單模信號表示的特殊體系結構。在應用程序方面，涵蓋了當前文獻中廣泛關注的選定領域，包括標題生成、文本到圖像生成和可視化問題解答。我們相信，這項檢討有助于社區未來在新興多模態情報領域的研究。

作者簡介：

Zichao Yang (楊子超)，他是芝加哥大學計算機科學系的博士生。他對機器學習、深度學習及其在計算機視覺、自然語言處理中的應用感興趣。在到CMU之前，他獲得了香港大學的碩士學位，上海交通大學的學士學位。他之前曾在谷歌DeepMind實習，與Chris Dyer和Phil Blunsom合作，MSR與He Xiaodong、Gao Jianfeng和Li Deng合作。 個人主頁：//www.cs.cmu.edu/~zichaoy/

Xiaodong He（何曉東）是華盛頓大學西雅圖分校電氣工程系的副教授。他也是微軟研究中心的首席研究員，華盛頓州雷德蒙德。1996年獲清華大學（北京）學士學位，1999年獲中國科學院（北京）碩士學位，2003年獲密蘇里哥倫比亞大學博士學位。他的研究興趣在于人工智能領域，包括深度學習、語音、自然語言、計算機視覺、信息檢索和知識表示與管理。他撰寫/合著了100多篇論文和一本書，并在ACL、CVPR、SIGIR、WWW、CIKM、NIPS、ICLR、IEEE TASLP、Proc上發表。IEEE、IEEE SPM等場館。他和同事開發了MSR-NRC-SRI條目和MSR條目，分別在2008年NIST機器翻譯評估和2011年IWSLT評估（中英文）中獲得第一名，并開發了MSR圖像字幕系統，在2015年的MS COCO字幕挑戰賽中獲得一等獎。他曾在多家IEEE期刊擔任編輯職務，擔任NAACL-HLT 2015地區主席，并在主要演講和語言處理會議的組織委員會/項目委員會任職。他是IEEESLTC的當選成員，任期2015-2017年。他是IEEE高級成員，2016年IEEE西雅圖分部主席。 個人主頁：

Li Deng是一位經驗豐富的首席執行官，在高科技行業有著豐富的工作經驗。在人工智能、機器學習、數學建模、計算機科學、語音識別、自然語言處理、深度學習、神經網絡、大數據分析、財務和統計建模等方面具有較強的技術、執行管理和業務開發專業技能。等

主題: Safe and Fair Machine Learning

簡介：

在這個演講將討論一些我們的未來的工作在一個新的框架設計的機器學習算法,內容包括：1)使得算法的用戶更容易定義他們認為是不受歡迎的行為(例如,他們認為是不公平的,不安全,或者成本)；2)提供了一個高信任度保證它不會產生一個解決方案,展示了用戶定義的不受歡迎的行為。

作者簡介：

Philip Thomas是馬薩諸塞大學安姆斯特分校信息與計算機科學學院助理教授，自主學習實驗室聯合主任。之前是卡內基·梅隆大學(CMU)的博士后，2015年，在馬薩諸塞州立大學阿默斯特分校(UMass Amherst)獲得了計算機科學博士學位。主要研究如何確保人工智能(AI)系統的安全性，重點是確保機器學習(ML)算法的安全性和公平性以及創建安全和實用的強化學習(RL)算法。

題目： Safe Machine Learning

簡介：

隨著我們將ML應用到越來越多的現實任務中，我們正在走向一個ML將在未來社會中扮演越來越重要角色。因此，解決安全問題正成為一個日益緊迫的問題。一般來說，我們可以將當前的安全研究分為三個領域:規范、健壯性和保證。規范關注于調查和開發技術，以減輕由于目標僅僅是期望的替代者而可能出現的系統不期望的行為。這種情況可能會發生，例如，當對包含歷史偏差的數據集進行訓練時，或者在真實環境中嘗試度量增強學習智能體的進度時魯棒性處理在推斷新數據和響應敵對輸入時處理系統故障。

Assurance涉及到開發方法，使我們能夠理解本質上不透明和黑箱的系統，并在操作期間控制它們。本教程將概述這三個領域，特別關注規范，更具體地說，關注增強學習智能體的公平性和一致性。其目的是激發從事不同安全領域的研究人員之間的討論。

邀請嘉賓：

Silvia Chiappa是DeepMind機器學習方面的研究科學家。她擁有數學文憑和機器學習博士學位。在加入DeepMind之前，Silvia Chiappa曾在馬克斯-普朗克智能系統研究所的經驗推理部門、微軟劍橋研究院的機器智能與感知小組以及劍橋大學的統計實驗室工作。她的研究興趣是基于貝葉斯和因果推理，圖形模型，變分推理，時間序列模型，ML公平性和偏差。

Jan Leike是DeepMind的高級研究科學家，他在那里研究智能體對齊問題。他擁有澳大利亞國立大學的計算機科學博士學位，在那里他致力于理論強化學習。在加入DeepMind之前，他是牛津大學的博士后研究員。Jan的研究興趣是人工智能安全、強化學習和技術人工智能治理。