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

** 簡介：**

推薦方法構造了預測模型，以估計用戶與項目交互的可能性。先前的模型在很大程度上遵循一般的監督學習范式-將每個交互視為一個單獨的數據實例，并基于“信息孤島”進行預測。但是，此類方法忽略了數據實例之間的關系，這可能導致性能欠佳，尤其是對于稀疏場景。此外，建立在單獨數據實例上的模型幾乎無法顯示出推薦背后的原因，從而使過程難以理解。

在本教程中，我們將從圖學習的角度重新審視推薦問題。可以將用于推薦的通用數據源組織成圖形，例如用戶-項目交互（二分圖），社交網絡，項目知識圖（異構圖）等。這種基于圖的組織將孤立的數據實例連接起來，從而為利用高階連通性帶來了好處，這些高階連通性對有意義的模式進行了編碼，以進行協作過濾，基于內容的過濾，社會影響力建模和知識感知推理。結合圖神經網絡（GNN）的最新成功，基于圖的模型已展現出成為下一代推薦系統技術的潛力。本教程對基于圖的學??習方法進行了回顧，以提出建議，特別關注GNN的最新發展和知識圖譜增強的建議。通過在本教程中介紹這個新興而有前途的領域，我們希望觀眾可以對空間有深入的了解和準確的見解，激發更多的想法和討論，并促進技術的發展。

目錄：

作者簡介：

王翔是新加坡國立大學（NUS）計算機學院的研究員。 他獲得了博士學位。 他于2019年獲得國大計算機科學博士學位。他的研究興趣包括推薦系統，信息檢索和數據挖掘。 在SIGIR，KDD，WWW和AAAI等頂級會議上，他擁有20多種出版物，包括TOIS和TKDE等期刊。 他曾擔任CCIS 2019的本地主席，包括SIGIR，CIKM和MM在內的頂級會議的PC成員以及TKDE和TOIS等著名期刊的定期審稿人。

題目： Representation Learning on Graphs: Methods and Applications

摘要：

圖機器學習是一項重要且普遍存在的任務，其應用范圍從藥物設計到社交網絡中的友情推薦。這個領域的主要挑戰是找到一種表示或編碼圖形結構的方法，以便機器學習模型能夠輕松地利用它。傳統上，機器學習方法依賴于用戶定義的啟發法來提取對圖的結構信息進行編碼的特征(例如，度統計或內核函數)。然而，近年來，使用基于深度學習和非線性降維的技術，自動學習將圖結構編碼為低維嵌入的方法激增。在這里，我們提供了一個概念上的回顧，在這一領域的關鍵進展，圖表示學習，包括基于矩陣分解的方法，隨機漫步的算法和圖神經網絡。我們回顧了嵌入單個節點的方法以及嵌入整個(子)圖的方法。在此過程中，我們開發了一個統一的框架來描述這些最近的方法，并強調了一些重要的應用程序和未來工作的方向。

作者簡介：

William L. Hamilton是麥吉爾大學計算機科學的助理教授，也是加拿大魁北克Mila AI研究所的CIFAR AI主席。William L. Hamilton開發的機器學習模型可以對這個復雜的、相互聯系的世界進行推理。研究興趣集中在機器學習、網絡科學和自然語言處理的交叉領域，目前的重點是快速發展的圖表示學習和圖神經網絡。

Rex Ying是斯坦福大學計算機科學二年級的博士生，研究主要集中在開發應用于圖形結構數據的機器學習算法。曾致力于開發可擴展到網絡規模數據集的廣義圖卷積網絡，應用于推薦系統、異常檢測和生物學。

題目： Compositionality In Machine Learning

摘要：

現實世界是固有的結構，如句子是由詞語組成的，圖像是由物體組成的，物體本身是由部分組成的。人們如何度量這些，過程是合成的，而不是輸出的。本次教程主要講述了機器學習中的組合性，解釋了機器學習中組合模型的歷史以及原理，還講述了為什么我們要期望普通的模型是組成型學習者?

作者：

Angeliki Lazaridou是DeepMind的高級研究科學家，在此之前是Marco Baroni的研究生，在意大利特倫托大學(map)心智/腦科學中心CLIC實驗室從事基礎語言學習。在薩爾大學(University of Saarland)獲得了計算語言學理學碩士學位，研究情感分析，并獲得了伊拉斯謨?蒙德斯(Erasmus Mundus)語言與通信技術碩士獎學金(EM-LCT)的支持。研究興趣是緊急通信，計算語言學，自然語言處理，人工智能。

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。

題目主題：

Temporal Point Processes Learning for Event Sequences

簡介：

時點過程（TPP）是描述和建模連續時間域中事件序列的一個很好的數學框架，它通常帶有位置、參與者等附加屬性。近年來，越來越多的機器學習模型用于時點過程的學習和推理，在理解、預測和干預不同個體、群體和系統的動態行為方面有著廣泛的背景。在大數據時代，利用這種時間事件序列進行有效的學習對企業和社會都具有重要的價值，而傳統的基于時間序列的學習方法往往將原始事件離散為等間隔，忽略了時間戳的連續性。

在本教程中，我將首先對時間點過程的預備知識做一個基本的介紹，并通過幾個應用實例回顧一些流行的和經典的表單。還將描述基于貝葉斯形式的學習。然后我將介紹點過程學習的最新進展，包括TPP的深度學習和強化學習。最后，我將展示一些新的場景，例如應用TPP模型時的缺失和刪失觀測，并討論未來的方向，以便于在時間點過程中的進一步研究。

作者介紹：

Junchi Yan，是上海交通大學計算機科學與工程系和上海交通大學人工智能研究所的終身制獨立研究教授。在2018年4月加入SJTU之前，Junchi自2011年4月起一直在IBM Research從事機器學習和計算機視覺研究及應用。在那段時間。曾任IBM中國研究實驗室高級研究人員和工業檢驗首席科學家，并在工業預防性維修項目中廣泛應用時間點過程模型。他還曾是IBM T.J.沃森研究中心（約克敦高地）、日本國家信息學研究所（東京）和騰訊人工智能實驗室（深圳）的訪問研究員。

Liangda Li，是雅虎研究公司搜索和搜索廣告團隊的資深研究科學家。領導科研團隊的垂直搜索排名、查詢理解、搜索廣告、查詢語言分析項目。在加入雅虎研究之前，他在佐治亞理工學院計算機科學學院獲得了博士學位，并接受了zhaongyuan Zha教授的指導。2010年，他在上海交通大學計算機學院計算機科學榮譽班獲得學士學位。他被授予2010年微軟亞洲研究青年研究員獎。他的研究興趣包括機器學習及其在信息檢索和社交網絡中的應用。特別是，他專注于各種真實行為數據中的影響建模，如搜索意圖理解、城市智能和危機/犯罪。

教程大綱：

• 時點過程：基礎（15分鐘）
  • 強度函數建模
  • TPP仿真
  • TPP學習的貝葉斯框架
• 時間點過程的典型模型（30分鐘）
  • 泊松過程
  • 霍克斯過程
  • 自校正過程（非線性霍克斯過程）
  • 時變霍克斯過程
  • 霍克斯過程的混合模型
  • 基于因子分解的特征過程
  • MLE解
  • LS解決方案
• 時間點過程的深度學習（30分鐘）
  • 神經時點過程
  • 時間點過程的GAN
  • 時間點過程的強化學習
• 實踐中的時間點過程（15分鐘）
  • 從不完美的觀察中學習
  • 從丟失的數據推斷
  • 基于特征的隨機拼接
  • 超級位置
  • 從扭曲序列中學習
  • 應用：社交網絡分析、醫療保健、推薦、視頻預告片生成、犯罪分析
  • 開源工具箱

題目： Learning Causality and Learning with Causality: A Road to Intelligence

摘要： 吸煙會引起癌癥嗎？通過分析兩個變量的觀測值，我們能否找到它們之間的因果關系？在我們的日常生活和科學中，人們經常試圖回答此類因果問題，目的是正確理解和操縱系統。在過去的幾十年中，為了回答這些問題，在機器學習，統計和哲學等領域取得了有趣的進步。此外，我們還經常關注如何在復雜的環境中進行機器學習。例如，我們如何在非平穩環境中做出最佳預測？有趣的是，最近發現因果信息可以促進理解和解決各種機器學習問題，包括遷移學習和半監督學習。這篇演講回顧了因果關系研究中的基本概念，并側重于如何從觀察數據中學習因果關系，以及因果關系為何以及如何幫助機器學習和其他任務。最后，我將討論為什么因果表達很重要以便實現通用人工智能。

報告人： 張坤 博士 美國卡內基梅隆大學，也是德國馬克斯·普朗克智能系統研究所的高級研究科學家。他的研究興趣在于機器學習和人工智能，尤其是因果發現，基于因果關系的學習和通用人工智能。他從因果關系的角度開發了用于自動發現因果關系的方法，從因果關系角度研究學習問題，尤其是轉移學習，概念學習和深度學習，并研究了因果關系和各種機器學習任務的哲學基礎。他曾擔任大型機器學習或人工智能會議的區域主席或高級程序委員會成員，包括NeurIPS，UAI，ICML，AISTATS，AAAI和IJCAI。他組織了各種學術活動，以促進因果關系的跨學科研究。

報告主題：Learning Causality and Learning with Causality: A Road to Intelligence

報告摘要：

吸煙會引起癌癥嗎？通過分析兩個變量的觀測值，我們能否找到它們之間的因果關系？在我們的日常生活和科學中，人們經常試圖回答此類因果問題，目的是正確理解和操縱系統。在過去的幾十年中，為了回答這些問題，在機器學習，統計和哲學等領域取得了有趣的進步。此外，我們還經常關注如何在復雜的環境中進行機器學習。例如，我們如何在非平穩環境中做出最佳預測？有趣的是，最近發現因果信息可以促進理解和解決各種機器學習問題，包括遷移學習和半監督學習。這篇演講回顧了因果關系研究中的基本概念，并側重于如何從觀察數據中學習因果關系，以及因果關系為何以及如何幫助機器學習和其他任務。最后，我將討論為什么因果表達很重要以便實現通用人工智能。

邀請嘉賓：美國卡耐基梅隆大學張坤博士

嘉賓簡介

張坤博士是卡內基梅隆大學哲學系的助理教授和機器學習系的副教授，也是德國馬克斯·普朗克智能系統研究所的高級研究科學家。他的研究興趣在于機器學習和人工智能，尤其是因果發現，基于因果關系的學習和通用人工智能。他從因果關系的角度開發了用于自動發現因果關系的方法，從因果關系角度研究學習問題，尤其是轉移學習，概念學習和深度學習，并研究了因果關系和各種機器學習任務的哲學基礎。他曾擔任大型機器學習或人工智能會議的區域主席或高級程序委員會成員，包括NeurIPS，UAI，ICML，AISTATS，AAAI和IJCAI。他組織了各種學術活動，以促進因果關系的跨學科研究。

主題： Introduction to Machine Learning

課程簡介： 機器學習是指通過經驗自動提高性能的計算機程序（例如，學習識別人臉、推薦音樂和電影以及驅動自主機器人的程序）。本課程從不同的角度介紹機器學習的理論和實用算法。主題包括貝葉斯網絡、決策樹學習、支持向量機、統計學習方法、無監督學習和強化學習。本課程涵蓋理論概念，例如歸納偏差、PAC學習框架、貝葉斯學習方法、基于邊際的學習和Occam的剃刀。編程作業包括各種學習算法的實際操作實驗。這門課程的目的是讓一個研究生在方法論，技術，數學和算法方面有一個徹底的基礎，目前需要的人誰做的機器學習的研究。

邀請嘉賓： Hal Daumé III，紐約市微軟研究院的研究員，是機器學習小組的一員；他也是馬里蘭大學的副教授。他主要從事自然語言處理和機器學習。

Matt Gormley，卡內基梅隆大學計算機科學學院機器學習部（ML）助教。

Roni Rosenfeld，卡內基梅隆大學計算機學院機器學習系教授兼主任，個人主頁：//www.cs.cmu.edu/~roni/。等

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。