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

摘要

一個綜合的人工智能系統不僅需要用不同的感官(如視覺和聽覺)感知環境，還需要推斷世界的條件(甚至因果)關系和相應的不確定性。在過去的十年里，我們看到了許多感知任務的重大進展，比如視覺對象識別和使用深度學習模型的語音識別。然而，對于更高層次的推理，具有貝葉斯特性的概率圖模型仍然更加強大和靈活。近年來，貝葉斯深度學習作為一種將深度學習與貝葉斯模型緊密結合的統一的概率框架出現了。在這個總體框架中，利用深度學習對文本或圖像的感知可以提高更高層次推理的性能，推理過程的反饋也可以增強文本或圖像的感知。本文對貝葉斯深度學習進行了全面的介紹，并對其在推薦系統、主題模型、控制等方面的最新應用進行了綜述。此外，我們還討論了貝葉斯深度學習與其他相關課題如神經網絡的貝葉斯處理之間的關系和區別。

介紹

在過去的十年中，深度學習在許多流行的感知任務中取得了顯著的成功，包括視覺對象識別、文本理解和語音識別。這些任務對應于人工智能(AI)系統的看、讀、聽能力，它們無疑是人工智能有效感知環境所必不可少的。然而，要建立一個實用的、全面的人工智能系統，僅僅有感知能力是遠遠不夠的。首先，它應該具備思維能力。

一個典型的例子是醫學診斷，它遠遠超出了簡單的感知:除了看到可見的癥狀(或CT上的醫學圖像)和聽到患者的描述，醫生還必須尋找所有癥狀之間的關系，最好推斷出它們的病因。只有在那之后，醫生才能給病人提供醫療建議。在這個例子中，雖然視覺和聽覺的能力讓醫生能夠從病人那里獲得信息，但醫生的思維能力才是關鍵。具體來說，這里的思維能力包括識別條件依賴、因果推理、邏輯演繹、處理不確定性等，顯然超出了傳統深度學習方法的能力。幸運的是，另一種機器學習范式，概率圖形模型(PGM)，在概率或因果推理和處理不確定性方面表現出色。問題在于，PGM在感知任務上不如深度學習模型好，而感知任務通常涉及大規模和高維信號(如圖像和視頻)。為了解決這個問題，將深度學習和PGM統一到一個有原則的概率框架中是一個自然的選擇，在本文中我們稱之為貝葉斯深度學習(BDL)。 在上面的例子中，感知任務包括感知病人的癥狀(例如，通過看到醫學圖像)，而推理任務包括處理條件依賴性、因果推理、邏輯推理和不確定性。通過貝葉斯深度學習中有原則的整合，將感知任務和推理任務視為一個整體，可以相互借鑒。具體來說，能夠看到醫學圖像有助于醫生的診斷和推斷。另一方面，診斷和推斷反過來有助于理解醫學圖像。假設醫生可能不確定醫學圖像中的黑點是什么，但如果她能夠推斷出癥狀和疾病的病因，就可以幫助她更好地判斷黑點是不是腫瘤。 再以推薦系統為例。一個高精度的推薦系統需要(1)深入了解條目內容(如文檔和電影中的內容)，(2)仔細分析用戶檔案/偏好，(3)正確評價用戶之間的相似度。深度學習的能力有效地處理密集的高維數據,如電影內容擅長第一子任務,而PGM專攻建模條件用戶之間的依賴關系,項目和評分(參見圖7為例,u, v,和R是用戶潛在的向量,項目潛在的向量,和評級,分別)擅長其他兩個。因此，將兩者統一在一個統一的概率原則框架中，可以使我們在兩個世界中都得到最好的結果。這種集成還帶來了額外的好處，可以優雅地處理推薦過程中的不確定性。更重要的是，我們還可以推導出具體模型的貝葉斯處理方法，從而得到更具有魯棒性的預測。

作為第三個例子，考慮根據從攝像機接收到的實時視頻流來控制一個復雜的動態系統。該問題可以轉化為迭代執行兩項任務:對原始圖像的感知和基于動態模型的控制。處理原始圖像的感知任務可以通過深度學習來處理，而控制任務通常需要更復雜的模型，如隱馬爾科夫模型和卡爾曼濾波器。由控制模型選擇的動作可以依次影響接收的視頻流，從而完成反饋回路。為了在感知任務和控制任務之間實現有效的迭代過程，我們需要信息在它們之間來回流動。感知組件將是控制組件估計其狀態的基礎，而帶有動態模型的控制組件將能夠預測未來的軌跡(圖像)。因此，貝葉斯深度學習是解決這一問題的合適選擇。值得注意的是，與推薦系統的例子類似，來自原始圖像的噪聲和控制過程中的不確定性都可以在這樣的概率框架下自然地處理。 以上例子說明了BDL作為一種統一深度學習和PGM的原則方式的主要優勢:感知任務與推理任務之間的信息交換、對高維數據的條件依賴以及對不確定性的有效建模。關于不確定性，值得注意的是，當BDL應用于復雜任務時，需要考慮三種參數不確定性：

1. 神經網絡參數的不確定性。
2. 指定任務參數的不確定性。
3. 感知組件和指定任務組件之間信息交換的不確定性。

通過使用分布代替點估計來表示未知參數，BDL提供了一個很有前途的框架，以統一的方式處理這三種不確定性。值得注意的是，第三種不確定性只能在BDL這樣的統一框架下處理;分別訓練感知部分和任務特定部分相當于假設它們之間交換信息時沒有不確定性。注意，神經網絡通常是過參數化的，因此在有效處理如此大的參數空間中的不確定性時提出了額外的挑戰。另一方面，圖形模型往往更簡潔，參數空間更小，提供了更好的可解釋性。

除了上述優點之外，BDL內建的隱式正則化還帶來了另一個好處。通過在隱藏單元、定義神經網絡的參數或指定條件依賴性的模型參數上施加先驗，BDL可以在一定程度上避免過擬合，尤其是在數據不足的情況下。通常，BDL模型由兩個組件組成，一個是感知組件，它是某種類型神經網絡的貝葉斯公式，另一個是任務特定組件，使用PGM描述不同隱藏或觀察變量之間的關系。正則化對它們都很重要。神經網絡通常過度參數化，因此需要適當地正則化。正則化技術如權值衰減和丟失被證明是有效地改善神經網絡的性能，他們都有貝葉斯解釋。在任務特定組件方面，專家知識或先驗信息作為一種正規化，可以在數據缺乏時通過施加先驗來指導模型。 在將BDL應用于實際任務時，也存在一些挑戰。(1)首先，設計一個具有合理時間復雜度的高效的神經網絡貝葉斯公式并非易事。這一行是由[42,72,80]開創的，但是由于缺乏可伸縮性，它沒有被廣泛采用。幸運的是，這個方向的一些最新進展似乎為貝葉斯神經網絡的實際應用提供了一些啟示。(2)第二個挑戰是如何確保感知組件和任務特定組件之間有效的信息交換。理想情況下，一階和二階信息(例如，平均值和方差)應該能夠在兩個組件之間來回流動。一種自然的方法是將感知組件表示為PGM，并將其與特定任務的PGM無縫連接，如[24,118,121]中所做的那樣。 本綜述提供了對BDL的全面概述，以及各種應用程序的具體模型。綜述的其余部分組織如下:在第2節中，我們將回顧一些基本的深度學習模型。第3節介紹PGM的主要概念和技術。這兩部分作為BDL的基礎，下一節第4節將演示統一BDL框架的基本原理，并詳細說明實現其感知組件和特定于任務的組件的各種選擇。第5節回顧了應用于不同領域的BDL模型，如推薦系統、主題模型和控制，分別展示了BDL在監督學習、非監督學習和一般表示學習中的工作方式。第6部分討論了未來的研究問題，并對全文進行了總結。

結論和未來工作

BDL致力于將PGM和NN的優點有機地整合在一個原則概率框架中。在這項綜述中，我們確定了這種趨勢，并回顧了最近的工作。BDL模型由感知組件和任務特定組件組成；因此，我們分別描述了過去幾年開發的兩個組件的不同實例，并詳細討論了不同的變體。為了學習BDL中的參數，人們提出了從塊坐標下降、貝葉斯條件密度濾波、隨機梯度恒溫器到隨機梯度變分貝葉斯等多種類型的算法。 BDL從PGM的成功和最近在深度學習方面有前景的進展中獲得了靈感和人氣。由于許多現實世界的任務既涉及高維信號(如圖像和視頻)的有效感知，又涉及隨機變量的概率推理，因此BDL成為利用神經網絡的感知能力和PGM的(條件和因果)推理能力的自然選擇。在過去的幾年中，BDL在推薦系統、主題模型、隨機最優控制、計算機視覺、自然語言處理、醫療保健等各個領域都有成功的應用。在未來，我們不僅可以對現有的應用進行更深入的研究，還可以對更復雜的任務進行探索。此外，最近在高效BNN (BDL的感知組件)方面的進展也為進一步提高BDL的可擴展性奠定了基礎。

題目： Time Series Forecasting With Deep Learning: A Survey

摘要：

為了適應不同領域的時間序列數據集的多樣性，已經開發了大量的深度學習體系結構。在這篇文章中，我們調查了常用的編碼器和譯碼器設計，它們都被用于一階前和多視距的時間序列預測——描述了時間信息是如何被每個模型合并到預測中的。接下來，將重點介紹混合深度學習模型的最新發展，該模型將經過充分研究的統計模型與神經網絡組件相結合，以改進這兩類中的純方法。最后，我們概述了一些方法，即深度學習也可以促進決策支持與時間序列數據。

題目： Time Series Data Augmentation for Deep Learning: A Survey

摘要：

近年來，深度學習在許多時間序列分析任務中表現優異。深度神經網絡的優越性能很大程度上依賴于大量的訓練數據來避免過擬合。然而，許多實際時間序列應用的標記數據可能會受到限制，如醫學時間序列的分類和AIOps中的異常檢測。數據擴充是提高訓練數據規模和質量的有效途徑，是深度學習模型在時間序列數據上成功應用的關鍵。本文系統地綜述了時間序列的各種數據擴充方法。我們為這些方法提出了一個分類，然后通過強調它們的優點和局限性為這些方法提供了一個結構化的審查。并對時間序列異常檢測、分類和預測等不同任務的數據擴充方法進行了實證比較。最后，我們討論并強調未來的研究方向，包括時頻域的數據擴充、擴充組合、不平衡類的數據擴充與加權。

題目： Comprehensive Analysis of Time Series Forecasting Using Neural Networks

摘要： 時間序列預測近年來受到了廣泛的關注，這是因為許多現實世界的現象都可以用時間序列來建模。大量的數據和計算機處理能力的最新進展使研究人員能夠開發出更復雜的機器學習算法，如神經網絡來預測時間序列數據。本文提出了利用動態測量數據進行時間序列預測的各種神經網絡結構，并介紹了如何將靜態和動態測量相結合進行預測的各種結構。我們還研究了異常檢測和聚類等技術對預測精度的重要性。結果表明，聚類可以提高神經網絡的整體預測時間，提高預測性能。此外，我們還發現基于特征的聚類在速度和效率上都優于基于距離的聚類。最后，我們的結果表明，增加更多的預測因子來預測目標變量并不一定會提高預測精度。

簡介：

使用Python、OpenCV庫構建計算機視覺的實際應用程序。這本書討論了不同方面的計算機視覺，如圖像和對象檢測，跟蹤和運動分析及其應用實例。作者首先介紹了計算機視覺，然后使用Python從頭開始創建OpenCV。下一節討論專門的圖像處理和分割，以及計算機如何存儲和處理圖像。這涉及到使用OpenCV庫進行模式識別和圖像標記。接下來，將使用OpenCV處理對象檢測、視頻存儲和解釋，以及人類檢測。跟蹤和運動也進行了詳細的討論。該書還討論了如何使用CNN和RNN創建復雜的深度學習模型。最后對計算機視覺的應用現狀和發展趨勢進行了總結。

閱讀本書之后，您將能夠理解并使用Python、OpenCV實現計算機視覺及其應用程序。您還將能夠使用CNN和RNN創建深度學習模型，并了解這些前沿的深度學習架構是如何工作的。

您將學習

• 了解什么是計算機視覺以及它在智能自動化系統中的整體應用。
• 探索構建計算機視覺應用程序所需的深度學習技術。
• 使用OpenCV、Python和NumPy中的最新技術構建復雜的計算機視覺應用程序。
• 創建實際的應用程序，如：人臉檢測和識別，手寫識別，對象檢測，跟蹤和運動分析。

作者：

Sunila Gollapudi是Broadridge Financial Solutions India (Pvt)有限公司的執行副總裁。擁有超過17年的架構、設計和開發以客戶為中心、企業級和數據驅動的解決方案的經驗。在過去的十年中，她主要專注于銀行和金融服務領域，是一名數據鑒賞家和架構師，擅長設計一個通過分析最大化數據價值的整體數據策略。她的專長包括通過綜合業務和領域驅動因素以及大數據工程和分析領域的新興技術趨勢來構建整體智能自動化戰略;領導針對CI/CD的云遷移和DevOps戰略;指導應用程序現代化、重用和技術標準化計劃。

簡介：

深度學習技術在圖像降噪方面獲得了極大的關注。但是，處理噪聲的不同類型的學習方法有很大的差異。具體來說，基于深度學習的判別式學習可以很好地解決高斯噪聲。基于深度學習的優化模型方法對真實噪聲的估計有很好的效果。迄今為止，很少有相關研究來總結用于圖像去噪的不同深度學習技術。在本文中，作者對圖像去噪中不同深度技術進行了比較研究。我們首先對（1）用于加白噪聲圖像的深卷積神經網絡（CNN），（2）用于真實噪聲圖像的深CNN，（3）用于盲目去噪的深CNN和（4）用于混合噪聲圖像的深CNN進行分類，這是噪聲，模糊和低分辨率圖像的組合。然后，又分析了不同類型的深度學習方法的動機和原理。接下來，將在定量和定性分析方面比較和驗證公共去噪數據集的最新方法。最后，論文指出了一些潛在的挑戰和未來研究的方向。

簡要內容：

圖像去噪的深度學習方法的基礎框架：

• 機器學習方法
• 神經網絡方法
• 卷積神經網絡方法

圖像去噪中的深度學習技術：

• 用于加白噪聲圖像的深卷積神經網絡
• 深度學習技術可實現真正的噪點圖像降噪
• 盲降噪的深度學習技術
• 深度學習技術用于混合噪聲圖像去噪

講座題目

大時間序列預測的理論與實踐：Forecasting Big Time Series: Theory and Practice

講座簡介

時間序列預測是業務流程自動化和優化的一個關鍵組成部分：在零售業，根據對不同地區未來需求的預測來決定要訂購哪些產品以及在哪里存儲這些產品；在云計算中，服務和基礎設施組件的估計未來使用量指導容量規劃；倉庫和工廠的勞動力調度需要對未來的工作量進行預測。近年來，預測技術和應用的范式發生了變化，從基于計算機輔助的模型和假設到數據驅動和全自動化。這種轉變可以歸因于大量、豐富和多樣的時間序列數據源的可用性，并導致一系列需要解決的挑戰，例如：我們如何建立統計模型，以便有效地學習從大量和多樣的數據源進行預測？在觀測有限的情況下，我們如何利用“相似”時間序列的統計能力來改進預測？對于構建能夠處理大量數據的預測系統有什么意義？ 本教程的目標是提供解決大規模預測問題的最重要方法和工具的簡明直觀概述。我們回顧了三個相關領域的研究現狀：（1）時間序列的經典建模，（2）包括張量分析和深度學習的現代預測方法。此外，我們還討論了建立大規模預測系統的實際方面，包括數據集成、特征生成、回溯測試框架、誤差跟蹤和分析等。

講座嘉賓

Christos Faloutsos 現任職務于卡內基梅隆大學 (Carnegie Mellon University)電子和計算機工程教授，研究領域：圖和流的數據挖掘，分形、自相似與冪律，視頻、生物和醫學數據庫的索引和數據挖掘，數據庫性能評估（數據放置、工作負載特征）。

題目： Deep Learning in Video Multi-Object Tracking: A Survey

簡介： 多對象跟蹤（MOT）的問題在于遵循序列中不同對象（通常是視頻）的軌跡。 近年來，隨著深度學習的興起，提供解決此問題的算法得益于深度模型的表示能力。 本文對采用深度學習模型解決單攝像機視頻中的MOT任務的作品進行了全面的調查。 確定了MOT算法的四個主要步驟，并對這些階段的每個階段如何使用深度學習進行了深入的回顧。 還提供了對三個MOTChallenge數據集上提出的作品的完整實驗比較，確定了表現最好的方法之間的許多相似之處，并提出了一些可能的未來研究方向。