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

在當今日益互聯的世界，圖挖掘在許多現實世界的應用領域發揮著關鍵作用，包括社交網絡分析、建議、營銷和金融安全。人們作出了巨大的努力來發展廣泛的計算模型。然而，最近的研究表明，許多被廣泛應用的圖挖掘模型可能會受到潛在的歧視。圖挖掘的公平性旨在制定策略以減少挖掘過程中引入或放大的偏差。在圖挖掘中加強公平性的獨特挑戰包括: (1)圖數據的非iid性質的理論挑戰，這可能會使許多現有研究背后的公平機器學習的基本假設無效，(2) 算法挑戰平衡模型準確性和公平性的困境。本教程旨在(1)全面回顧圖挖掘方面最先進的技術，(2)確定有待解決的挑戰和未來的趨勢。特別是，我們首先回顧了背景、問題定義、獨特的挑戰和相關問題;然后，我們將重點深入概述(1)在圖挖掘背景下實施群體公平、個人公平和其他公平概念的最新技術，以及(2)圖上算法公平的未來研究方向。我們相信，本教程對數據挖掘、人工智能、社會科學等領域的研究人員和實踐者具有吸引力，并對現實世界的眾多應用領域有益。

//jiank2.web.illinois.edu/tutorial/cikm21/fair_graph_mining.html

本教程旨在介紹深度學習的對抗魯棒性的基礎知識，對最新技術進行了結構化的回顧，以評估各種類型的深度學習模型對對抗示例的脆弱性。本教程將特別強調對抗對抗攻擊的最新技術和深度神經網絡(DNNs)的魯棒性驗證。我們還將介紹一些有效的對策來提高深度學習模型的魯棒性，特別關注可泛化的對抗訓練。我們的目標是提供關于這一新興方向的全面圖景，并使社區意識到在關鍵安全數據分析應用中設計魯棒的深度學習模型的緊迫性和重要性，最終使最終用戶能夠信任深度學習分類器。我們還將總結關于深度學習的對抗魯棒性的潛在研究方向，以及基于深度學習的可靠和值得信賴的數據分析系統和應用的潛在好處。

//tutorial-cikm.trustai.uk/

本教程的內容如下:

• 對抗性魯棒性簡介: 這部分將通過展示一些計算機視覺、自然語言處理、惡意軟件檢測、自主系統的例子來介紹對抗性魯棒性的概念。具體來說，我們將演示不同類型的深度學習模型在不同對抗樣例中的漏洞。我們還將強調不同社區對對抗魯棒性的不同研究重點，即攻擊、防御和驗證。

• 對抗性攻擊: 這部分將詳細介紹一些著名的對抗性攻擊方法，目的是提供一些見解，為什么對抗性例子退出，以及如何有效和高效地產生對抗性擾動。具體來說，我們將展示五部已經成熟的工作，包括FGSM[1]、C&W[2]、DeepFool[3]、JMSA[4]、ZeroAttack[20]。在本部分的最后，我們還將簡要介紹最近出現的一些新的對抗性例子，包括通用對抗性例子[21]、空間變換攻擊[7]、對抗性補丁[22]等

• 驗證: 這部分將回顧最先進的形式驗證技術，以檢查深度學習模型是否健壯。將要討論的技術包括基于約束求解的技術(MILP, Reluplex[8])，近似技術(MaxSens [23]， AI2 [10]， DeepSymbol)，和基于全局優化的技術(DLV [11]， DeepGO [12]， DeepGame[17])。

• 對抗防御: 本部分將概述對抗防御的最先進的魯棒優化技術，重點是可泛化的對抗訓練和正規化方法。特別是，快速梯度法(FGM)的對抗訓練[14]、投影梯度法(PGM)[15]、沃瑟斯坦風險最小化(WRM)[18]將根據泛化保證進行分析，此外，還將討論正則化技術，如光譜標準化[13]和Lipschitz正則化[23]，以促進訓練的穩定性和對抗例子的魯棒性。

本教程涵蓋了大規模的視覺定位任務，其目標是僅基于視覺信息對單個圖像進行定位。該教程包括不同粒度級別的定位方法，從簡單的命名位置識別和GPS估計到6D相機姿態的精確估計。教程的范圍涵蓋了不同的空間/地理擴展，例如小型室內/室外場景，城市級別，世界級別，以及變化條件下的本地化。

在粗定位機制中，任務通常通過檢索方法處理，這在本教程的第一部分中有所介紹。一個典型的用例如下:給定一個帶有地理標記的圖像數據庫，目標是確定新查詢圖像中描述的位置。傳統上，這個問題是通過將最相似的數據庫圖像的地理標記轉移到查詢圖像來解決的。本部分主要關注用于檢索的可視化表示模型，其中包括經典的基于特征的方法和最近的深度學習方法。本教程的第二部分和第三部分分別介紹了基于特征和深度學習的精確定位方法。這些算法的一個典型用例是估計(6自由度)構成完整的6自由度的查詢圖像,即圖像拍攝的位置和姿態,對于某些應用,如機器人、自動車輛自動駕駛汽車,增強/混合/虛擬現實,環路閉合檢測在大滿貫,和Structure-from-Motion。

本教程涵蓋了視覺定位的最新技術，有三個目標:1) 全面概述當前的最新技術。本課程面向剛開始學習或對該主題感興趣的一、二年級博士生和工業工程師。2) 讓專家教授更多有經驗的博士生和工程師，他們想要完善自己的視覺定位知識。3) 突出當前的公開挑戰。這概述了當前算法能做和不能做的事情。在本教程中，我們提供了有關所討論方法的公開源代碼的鏈接。我們還將強調用于實驗評估的數據集的不同屬性。

//sites.google.com/view/lsvpr2021/course-description

本教程將是關于無監督學習和強化學習的交叉。隨著自然語言處理中基于語言模型的預訓練和計算機視覺中的對比學習的出現，無監督學習(UL)在過去幾年中真正得到了發展。在這些領域中，無監督預訓練的一些主要優勢是在下游有監督學習任務中出現的數據效率。在如何將這些技術應用于強化學習和機器人方面，社區中有很多人感興趣。考慮到問題的連續決策性質，RL和機器人技術比被動地從互聯網上的圖像和文本中學習面臨更大的挑戰，它可能不會那么簡單。本教程將涵蓋如何在強化學習中應用和使用無監督學習的基本模塊，希望人們可以帶回最新的最先進的技術和實踐的知識，以及在這個具有挑戰性和有趣的交叉領域的廣泛的未來可能性和研究方向。

//icml.cc/Conferences/2021/Schedule

在本教程中，我們旨在全面介紹專門為異常檢測(深度異常檢測)而設計的深度學習技術的進展。

深度學習在轉換許多數據挖掘和機器學習任務方面取得了巨大的成功，但由于異常具有一些獨特的特征，如罕見性、異質性、無限性以及收集大規模異常數據的高昂成本，目前流行的深度學習技術并不適用于異常檢測。

通過本教程，讀者將對該領域有一個系統的概述，了解目前最先進的12種不同類型的深度異常檢測方法的主要要點、目標函數、基本假設、優缺點，并認識到其在不同領域的廣泛適用性。我們還討論了當前的深度異常檢測方法可以從多個不同的角度解決和展望該領域的挑戰。

任何對深度學習、異常/離群值/新奇檢測、分布外檢測、帶有有限標記數據的表示學習以及自我監督表示學習感興趣的讀者，都會發現參加本教程非常有幫助。

金融、網絡安全、醫療保健領域的研究人員和從業者也會發現該教程在實踐中有幫助。

異常檢測，幾十年來一直是各個研究領域中一個持續而活躍的研究領域。但仍然有一些獨特的問題、復雜性和挑戰需要先進的方法。近年來，將深度學習應用于異常檢測(即深度異常檢測)已經成為關鍵方向。本文回顧了深度異常檢測方法的研究進展，并對檢測方法進行了分類，包括3個高級類別和11個細粒度類別。本文回顧了檢測方法的主要intuitions、目標函數、基本假設、優勢和劣勢，并討論了他們如何應對上述挑戰。并且進一步討論了一系列未來可能的機遇和應對挑戰的新觀點。

異常檢測，又稱離群值檢測或新穎性檢測，是指檢測與大多數數據實例顯著偏離的數據實例的過程。幾十年來，異常探測一直是一個活躍的研究領域，早期的探測可以追溯到20世紀60年代的[52]。由于在風險管理、合規、安全、金融監控、健康和醫療風險、人工智能安全等廣泛領域的需求和應用日益增長，異常檢測在數據挖掘、機器學習、計算機視覺和統計等各個領域發揮著越來越重要的作用。近年來，深度學習在學習高維數據、時間數據、空間數據和圖形數據等復雜數據的表達表示方面顯示出了巨大的能力，推動了不同學習任務的邊界。深度學習異常檢測，簡稱深度異常檢測，目的是通過神經網絡學習特征表示或異常分數來進行異常檢測。大量的深度異常檢測方法已經被引入，在解決各種現實世界應用中具有挑戰性的檢測問題上，表現出比傳統異常檢測顯著更好的性能。這項工作旨在對這一領域進行全面調研。我們首先討論了異常檢測的問題本質和主要的未解決的挑戰，然后系統地回顧了當前的深度方法及其解決這些挑戰的能力，最后提出了一些未來的機會。

貝葉斯概率模型為不確定性下的相干推理和預測提供了一個原則框架。近似推理解決了貝葉斯計算的關鍵挑戰，即計算棘手的后驗分布和相關數量，如貝葉斯預測分布。近十年來，貝葉斯建模技術在計算機視覺、自然語言處理、強化學習等領域的機器學習任務中得到了廣泛應用。

本教程對近似推理的最新進展進行了一個連貫的總結。我們將以介紹近似推理的概念和變分推理的基礎知識開始本教程。然后我們將描述現代近似推理的基本方面，包括可擴展推理、蒙特卡洛技術、平攤推理、近似后驗設計和優化目標。這些最新進展之間的聯系也將被討論。最后，我們將在下游不確定性估計和決策任務中的應用實例提供先進的近似推理技術，并對未來的研究方向進行討論。

注意力是一種在廣泛的神經結構中使用的越來越流行的機制。由于這一領域的快速發展，仍然缺乏對注意力的系統概述。在本文中，我們定義了用于自然語言處理的注意力體系結構的統一模型，重點介紹了用于文本數據的向量表示的體系結構。我們討論了以往工作的不同方面，注意力機制的可能用途，并描述了該領域的主要研究工作和公開挑戰。

//web.eecs.umich.edu/~justincj/slides/eecs498/FA2020/598_FA2020_lecture13.pdf

異常檢測已經得到了廣泛的研究和應用。建立一個有效的異常檢測系統需要研究者和開發者從嘈雜的數據中學習復雜的結構，識別動態異常模式，用有限的標簽檢測異常。與經典方法相比，近年來深度學習技術的進步極大地提高了異常檢測的性能，并將異常檢測擴展到廣泛的應用領域。本教程將幫助讀者全面理解各種應用領域中基于深度學習的異常檢測技術。首先，我們概述了異常檢測問題，介紹了在深度模型時代之前采用的方法，并列出了它們所面臨的挑戰。然后我們調查了最先進的深度學習模型，范圍從構建塊神經網絡結構，如MLP, CNN，和LSTM，到更復雜的結構，如自動編碼器，生成模型(VAE, GAN，基于流的模型)，到深度單類檢測模型，等等。此外，我們舉例說明了遷移學習和強化學習等技術如何在異常檢測問題中改善標簽稀疏性問題，以及在實際中如何收集和充分利用用戶標簽。其次，我們討論來自LinkedIn內外的真實世界用例。本教程最后討論了未來的趨勢。

//sites.google.com/view/kdd2020deepeye/home

理想情況下，我們希望將兩個幾何對象插入到一個函數中，然后通過函數來說明它們之間的相似性。這將允許我們回答關于下游應用程序中幾何數據的不同層次上的各種問題。然而，對于高級任務，如計算樣式相似度或三維形狀之間的頂點到頂點映射，直接在原始幾何數據上進行這些操作是困難的，因為更抽象的任務需要更結構化的聚合信息。實現這種相似性函數的一種方法是首先計算這些數據到嵌入空間的映射，從而對不同幾何元素之間的有意義的關系進行編碼，例如在風格上，更相似的形狀嵌入得更緊密。通過利用這個嵌入空間，我們可以計算并輸出相似度度量。然而，手工構建保存這些屬性的映射是很困難的，因為為越來越抽象的任務制定顯式規則或模型變得越來越具有挑戰性。因此，我們使用了由人類提供的與任務相關的元信息的幾何數據集合。這允許我們通過使用神經網絡靈活地制定地圖計算，而不用對映射圖本身的形式做太多假設。為了從廣泛可用的機器學習技術中獲益，我們必須首先考慮如何選擇合適的幾何數據表示作為各種學習模型的輸入。具體來說，根據數據源的可用性和任務的特定需求，我們從圖像、點云和三角形網格計算嵌入。一旦我們找到了對輸入進行編碼的合適方法，我們就會探索不同的方法來塑造學習到的中間域(嵌入)，這超越了直接的基于分類分布的交叉熵最小化方法。

//sites.google.com/view/geometry-learning-foundation/schedule#h.p_am99P6ELk_gL