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

WSDM 2020全稱為第13屆國際互聯網搜索與數據挖掘會議（The 13thInternational Conference on Web Search and Data Mining, WSDM 2020），將于2020年2月3日-2月7日在美國休斯敦召開。賓夕法尼亞州立大學ZhenhuiLi, Huaxiu Yao, Fenglong Ma等做了關于小數據學習《Learning with Small Data》教程，124頁ppt涵蓋遷移學習與元學習等最新課題，是非常好的學習材料！

摘要：

在大數據時代，我們很容易收集到大量的圖像和文本數據。然而，在一些領域，例如醫療保健和城市計算，我們經常面對現實世界中只有少量（標記的）數據的問題。挑戰在于如何使機器學習算法在處理小數據時仍能很好地工作？為了解決這個挑戰，在本教程中，我們將介紹處理小數據問題的最新機器學習技術。我們特別關注以下三個方面：（1）全面回顧了近年來在探索知識遷移的力量方面取得的進展，特別是在元學習方面；（2）介紹了將人類/專家知識納入機器學習模型的前沿技術；（3）確定了開放的挑戰數據增強技術，如生成性對抗網絡。

百度網盤下載： 鏈接: //pan.baidu.com/s/1j-xvPMB4WwSdiMoDsaR8Sg 提取碼: 8v7y 目錄：

• 引言 Introduction

• 從模型進行遷移知識 Transfer knowledge from models

  • 遷移學習 Transfer learning
  • 多任務學習 Multi-task learning
  • 元學習 Meta-learning
  • 應用 Applications

• 領域專家知識遷移 Transfer knowledge from domain expert

  • Enrich representations using knowledge graph
  • Regularizing the loss function by incorporating domain knowledge

• 數據增廣 Data augmentation

  • Augmentation using labeled data
  • Augmentation using unlabeled data

地址：

講者介紹： Zhenhui Li 是賓夕法尼亞州立大學信息科學與技術終身副教授。在加入賓夕法尼亞州立大學之前，她于2012年在伊利諾伊大學香檳分校獲得了計算機科學博士學位，當時她是數據挖掘研究小組的成員。她的研究重點是挖掘時空數據，并將其應用于交通、生態、環境、社會科學和城市計算。她是一位充滿激情的跨學科研究人員，一直積極與跨領域研究人員合作。她曾擔任過許多會議的組織委員會或高級項目委員會，包括KDD、ICDM、SDM、CIKM和SIGSPATIAL。自2012年以來，她一直定期開設數據組織和數據挖掘課程。她的課程經常受到學生的好評。她獲得了NSF職業獎、研究院青年教師優秀獎和喬治J.麥克默里教學院青年教師優秀獎。

摘要：

本文將優化描述為一個過程。在許多實際應用中，環境是如此復雜，以致于無法制定一個全面的理論模型，并使用經典算法理論和數學優化。采取一種穩健的方法是必要的，也是有益的，方法是應用一種不斷學習的優化方法，在觀察到問題的更多方面時從經驗中學習。這種將優化視為一個過程的觀點在各個領域都很突出，并在建模和系統方面取得了一些驚人的成功，現在它們已經成為我們日常生活的一部分。

作者介紹：

Elad Hazan是普林斯頓大學計算機科學教授。他于2015年從Technion畢業，當時他是該校運籌學副教授。他的研究重點是機器學習和優化的基本問題的算法設計和分析。他的貢獻包括合作開發用于訓練學習機器的AdaGrad算法，以及第一個用于凸優化的次線性時間算法。他曾(兩次)獲得2012年IBM Goldberg最佳論文獎，以表彰他對機器學習的次線性時間算法的貢獻。2008年，他還獲得了歐洲研究理事會(European Research Council)的一筆撥款、瑪麗?居里(Marie Curie)獎學金和谷歌研究獎(兩次)。他是計算學習協會的指導委員會成員，并擔任COLT 2015的項目主席。

//www.cs.princeton.edu/~ehazan/

報告主題： Reinforcement Learning

報告簡介： 強化學習是智能體（Agent）以“試錯”的方式進行學習，通過與環境進行交互獲得的獎賞指導行為，目標是使智能體獲得最大的獎賞，強化學習不同于連接主義學習中的監督學習，主要表現在強化信號上，強化學習中由環境提供的強化信號是對產生動作的好壞作一種評價(通常為標量信號)，而不是告訴強化學習系統RLS(reinforcement learning system)如何去產生正確的動作。由于外部環境提供的信息很少，RLS必須靠自身的經歷進行學習。通過這種方式，RLS在行動-評價的環境中獲得知識，改進行動方案以適應環境。其基本原理是：如果Agent的某個行為策略導致環境正的獎賞(強化信號)，那么Agent以后產生這個行為策略的趨勢便會加強。Agent的目標是在每個離散狀態發現最優策略以使期望的折扣獎賞和最大。Nando教授將從強化學習的基礎入手，并結合強化學習的應用展開介紹。

嘉賓介紹： Nando曾在加州大學伯克利分校（UC Berkeley）從事人工智能工作，并于2001年成為加拿大不列顛哥倫比亞大學的教授，隨后于2013年成為英國牛津大學的教授。2017年，他全職加入DeepMind，擔任首席科學家，以幫助他們解決智力問題，使子孫后代可以過上更好的生活。 Nando還是加拿大高級研究所的資深研究員，并曾獲得多個學術獎項。

報告名稱： Modern Artificial Intelligence

報告簡介： 紐約大學丹東分校的電氣和計算機工程系舉辦了一個研討會系列，探討了人工智能（AI）世界上最重要的新研究，其中有為新興技術做出了重要貢獻的研究人員。

報告部分大綱：

• 使用因果不變性學習表示
• 基于網絡的分布式機器學習
• 復雜環境中的深度強化學習的挑戰
• 在機器人系統中使用計算機視覺的研究挑戰
• 機器學習個性化
• 邁向持久的人機交互
• 記憶生物學和與年齡有關的記憶喪失

邀請嘉賓：

Leon Bottou是一名研究科學家，對機器學習和人工智能有著廣泛的興趣。近年來，在大規模學習和隨機梯度算法方面的工作受到了廣泛的關注。他也以DjVu文件壓縮系統而聞名，于2015年3月加入Facebook人工智能研究。

Francis Bach是Inria的研究員，自2011年以來一直領導著隸屬于巴黎高等師范學院計算機科學系的機器學習團隊。他畢業于加州理工學院，2005年在加州大學伯克利分校獲得計算機科學博士學位，師從邁克爾·喬丹教授。他在巴黎礦業大學數學形態學組學習了兩年，然后在2007年至2010年期間加入了Inria/Ecole Normale Superieure計算機視覺項目組。Francis Bach主要對機器學習感興趣，特別是在稀疏方法、基于核的學習、大規模優化、計算機視覺和信號處理方面。

Raia Hadsel是DeepMind機器人研究的負責人，ICLR，WiML和CoRL的執行董事會成員。她的早期研究是使用暹羅網絡來學習神經嵌入，這種方法現在通常用于表示學習。在完成了具有針對移動機器人的自我監督式深度學習視覺系統的博士學位后，她繼續在卡內基梅隆大學的機器人研究所和SRI International進行科學研究，并于2014年初加入倫敦的DeepMind研究人工智能。Hadsell博士目前的研究重點在于對AI代理和機器人進行持續學習的挑戰，她提出了神經方法，例如策略提純，漸進式網絡和彈性權重合并，以解決災難性遺忘問題。

主題: Scalable and Robust Multi-Agent Reinforcement Learning

簡介： 本演講將涵蓋我們最近的多智能體強化學習方法，這些方法用于協調溝通有限或沒有交流的智能體團隊。這些方法將包括深入的多主體增強學習方法和學習異步策略的分層方法，這些方法實際上允許針對不同主體在不同時間進行學習和/或執行。這些方法可擴展到較大的空間和視野，并且對于其他代理學習引起的非平穩性具有魯棒性。將顯示來自基準域和多機器人域的結果。

作者簡介： Christopher Amato，美國東北大學教授，研究興趣包括人工智能，機器人技術，多智能體和多機器人系統，不確定性下的推理，博弈論和機器學習。

主題： Generalization in Reinforcement Learning with Selective Noise Injection

摘要： 強化學習是機器學習中唯一一種通常被允許在其測試集中進行訓練的形式。特別是深度強化學習已被證明可以適應其所訓練的環境。在本次演講中，我將討論我們最近兩篇論文（1）顯示域隨機化在看不見的3D迷宮中導航的應用（在2019年IEEE游戲大會上發布）; （2）建議通過變化信息瓶頸進行選擇性噪聲注入，以將通用性提高到2D平臺開發工具CoinRun的未知測試水平（NeurIPS 2019）。

嘉賓介紹： Sam Devlin，Microsoft Research高級研究員，于2009年獲得約克大學計算機系統和軟件工程碩士學位，其中包括一年與BAE Systems的團隊合作。完成該學位后，從事傳統的商業游戲AI的研究，將行為樹和導航網格生成集成到開放源代碼游戲引擎CrystalSpace中，作為2009年Google Summer of Code計劃的一部分，2013年，完成了博士學位，在約克大學（University of York）進行多智能體強化學習，并訪問了由桑坦德國際連接獎（Santander International Connections Award）資助的俄勒岡州立大學。

主題： Reward Machines: Structuring reward function specifications and reducing sample complexity in reinforcement learning

簡介： 人類已經發展了數千年的語言，以提供有用的說明來理解彼此以及與現實世界并與之互動。這些語言包括自然語言，數學語言和演算，以及最近的形式語言，這些語言使我們能夠通過人類可解釋的說明與機器進行交互。在本次演講中，我介紹了“獎勵機器”的概念，它是一種基于自動機的結構，為獎勵功能提供了正常的形式表示。獎勵機器可以原生用于指定復雜的，非馬爾可夫可獎勵的行為。此外，各種人類友好（正式）語言都可以用作獎勵規范語言，并且可以直接翻譯成獎勵機器，包括線性時序邏輯（LTL）的變體以及各種常規語言。獎勵機器也可以被學習，并且可以用作在部分可觀察的環境中進行交互的內存。通過展示獎勵功能結構，獎勵機實現了針對獎勵功能量身定制的強化學習，包括量身定制的獎勵塑造和Q學習。實驗表明，這種針對報酬函數量身定制的算法明顯優于最新的（深度）RL算法，解決了原本無法合理解決的問題，并極大地降低了樣本的復雜性。

嘉賓介紹： Sheila McIlraith于2003年末加入多倫多大學計算機科學系。在加入多倫多大學之前，McIlraith教授在斯坦福大學擔任了六年的研究科學家， McIlraith的研究領域是人工智能（AI）知識表示和自動推理。她在開發AI應用程序方面擁有10年的行業研發經驗。 McIlraith是100多個學術出版物的作者。她目前擔任國際科學基金會KR Inc.的主席，該基金會致力于促進有關知識表示和推理的研究和交流。 McIlraith是人工智能促進協會（AAAI）的研究員，《人工智能研究》雜志（JAIR）的副主編，在《人工智能》雜志的編輯委員會任職，并曾擔任《人工智能》雜志的副主編。情報（AIJ）。她最近擔任第32屆AAAI人工智能會議（AAAI-18）的計劃聯席主席，并曾擔任第13屆國際知識表示和推理原理國際會議（KR2012）和國際語義網會議的計劃聯席主席。 （ISWC2004）。

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。