【簡介】知識圖譜是一種組織知識并提供智能應用有效的方式。常識知識圖譜如何在計算機視覺中發揮作用，從識別跨越到認知？華盛頓大學Yejin Choi博士一直研究視覺常識推理的研究，讓我們來學習如何用常識圖譜在CV建模提升認知。
地址鏈接：
//mosaic.allenai.org/projects/commonsense-knowledge-graphs
Yejin Choi是華盛頓大學Paul G. Allen計算機科學與工程學院副教授，語言學系副教授，統計與社會科學中心副研究員。她也是艾倫人工智能研究所的高級研究經理。她是2013年ICCV的Marr獎(最佳論文獎)的共同接受者，2018年Borg Early Career award (BECA)的接受者，并被提名為2016年IEEE AI的10大看點之一。她在康奈爾大學獲得了計算機科學博士學位(導師:Claire Cardie教授)，并在韓國首爾國立大學獲得了計算機科學與工程學士學位。
什么是常識？
- 基本的實用知識和推理能力
- 關注日常情況和事件
- 這是大多數人都普遍持有的觀點。
我們能從識別過渡到認知嗎？
ATOMIC: An Atlas of Machine Commonsense for If-Then Reasoning
知識圖譜為常識性概念的表示提供了一種半結構化的方法。這種結構所提供的視角不同于其他知識來源，比如大規模的文本語料庫；然而，要表示何種類型的知識和如何更好的把他們融合到現有的神經網絡模型中依舊是一個有待研究的課題。ATOMIC主要關注由if-then這種類型的關系所組成的變量之間的知識推理。作者提出了九種if-then形式的關系類型來區分原因VS結果，代理VS主題，自愿事件VS非自愿事件，行為VS精神狀態。基于ATOMIC所描述的豐富的知識推理所生成的訓練集，作者證明了神經網絡模型可以擁有基本的常識，并對以前未見過的事件進行推理。
通過對給定的事件進行觀察，人們可以很容易的預測或者推斷一些未觀察到的事件的發生原因和結果：之前什么時候發生的？接下來的結果會是什么？不同的事件是如何通過因果聯系在一起的？如上圖，如果我們觀察到事件“”X擊退了Y的攻擊“，我們可以立刻推斷出圍繞這件事情的各種可信的事實。
上面的例子說明了日常生活中常識推理是如何通過一系列緊密相連的推理知識所實現的。通過這些推理知識，我們可以看一部兩個小時的電影，理解一個跨越幾個月的故事，也就是說我們只觀察到了其中的一小部分，就對大量的事件、原因和結果進行推理。然而，這種能力雖然對人類來說很普通，但現在的人工智能系統卻遠遠沒有達到這種程度。這在一定程度上是因為絕大多數人工智能系統都是針對特定任務的數據集和目標進行訓練，從而導致模型能夠有效地找到特定任務之間的相關性，但這種推理缺乏可解釋性。因此，作者提出了ATOMIC: 一種機器推理的圖譜，用來處理豐富的知識推理，這對于自動進行常識推理至關重要。
COMeT: Commonsense Transformers for Automatic Knowledge Graph Construction
付費5元查看完整內容
相關內容
【導讀】機器學習暑期學校(MLSS)系列開始于2002年，致力于傳播統計機器學習和推理的現代方法。今年因新冠疫情在線舉行，從6月28號到7月10號講述了眾多機器學習主題。本文推薦來自德國人工智能教授 Bernhard Sch?lkopf教授講述《因果性》，177頁ppt系統性講述了機器學習中的因果性，非常干貨。
由Judea Pearl開創的圖因果推理起源于人工智能(AI)的研究，在很長一段時間內與機器學習領域幾乎沒有聯系。本文認為，機器學習和人工智能的硬開放問題本質上與因果關系有關，并解釋了該領域是如何開始理解它們的。
近年來，機器學習社區對因果關系的興趣顯著增加。我對因果關系的理解是由Judea Pearl和許多合作者和同事所啟發的，其中的大部分內容來自與Dominik Janzing和Jonas Peters合著的一本書(Peters et al.， 2017)。我已經在各種場合談論過這個話題，其中一些正在進入機器學習的主流，特別是因果建模可以提升機器學習模型的魯棒性。因果性和機器學習的交叉的發展令人興奮。這篇報告不僅能夠對討論因果思維對AI的重要性有所幫助，而且還可以為機器學習的觀眾介紹一些圖或結構因果模型的相關概念。
盡管最近取得了諸多成功，但如果我們將機器學習的能力與動物的能力進行比較，我們會發現，在一些動物擅長的關鍵技能上，前者相當糟糕。這包括遷移到新問題,任何形式的泛化,不是從一個數據點到下一個從相同的分布(采樣),而是從一個問題到下一個——都被稱為泛化。這個缺點并不是太令人吃驚，因為機器學習經常忽略生物大量使用的信息: 世界干預、領域遷移、時間結構。最后，機器學習也不擅長思考，在康拉德洛倫茨的意義上，即，在想象的空間中行動。我認為，因果性關注建模和推理，可以對理解和解決這些問題做出實質性的貢獻，從而將該領域帶入下一個層次。
視頻： //www.youtube.com/watch?v=btmJtThWmhA&feature=youtu.be
目錄內容：
- 背景介紹
- 結構化因果模型
- 獨立機制與解纏分解
- 做微積分
- 混淆
- 因果發現：兩變量情況
- 因果機器學習
- 時間序列
付費5元查看完整內容
少標簽數據學習
·
人類的視覺系統證明，用極少的樣本就可以學習新的類別;人類不需要一百萬個樣本就能學會區分野外的有毒蘑菇和可食用蘑菇。可以說，這種能力來自于看到了數百萬個其他類別，并將學習到的表現形式轉化為新的類別。本報告將正式介紹機器學習與熱力學之間的聯系，以描述遷移學習中學習表征的質量。我們將討論諸如速率、畸變和分類損失等信息理論泛函如何位于一個凸的，所謂的平衡曲面上。我們規定了在約束條件下穿越該表面的動態過程，例如，一個調制速率和失真以保持分類損失不變的等分類過程。我們將演示這些過程如何完全控制從源數據集到目標數據集的傳輸，并保證最終模型的性能。
付費5元查看完整內容
主題： TransOMCS: From Linguistic Graphs to Commonsense Knowledge
摘要： 常識圖譜獲取是人工智能的關鍵問題。 獲取常識圖譜的常規方法通常需要費力且昂貴的人工注釋，這在大規模上是不可行的。 在本文中，我們探索了一種從語言圖中提取常識圖譜的實用方法，目的是將通過語言模式獲得的廉價知識轉化為昂貴的常識圖譜。 結果是將大型選擇偏好知識資源ASER轉換為與ConceptNet相同表示的TransOMCS。實驗結果證明了語言知識到常識知識的轉移性以及所提出方法在數量，新穎性和質量方面的有效性。
付費5元查看完整內容
【簡介】近些年來，可解釋的人工智能受到了越來越多的關注。隨著人工智能模型變得越來越復雜和不透明，可解釋性變得越來越重要。最近，研究人員一直在以用戶為中心研究和處理可解釋性，尋找可信任、可理解、明確的來源和上下文感知的可解釋性。在這篇論文中，我們通過調研人工智能和相關領域中有關可解釋性的文獻，并利用過去的相關研究生成了一系列的可解釋類型。我們定義每種類型，并提供一個示例問題，來闡述對這種解釋方式的需求。我們相信，這一系列的解釋類型將有助于未來的系統設計人員獲得可靠的需求和確定各種需求的優先級，并進一步幫助生成能夠更好地符合用戶和情景需求的解釋。
介紹
人工智能(AI)領域已經從單純的基于符號和邏輯的專家系統發展到使用統計和邏輯推理技術的混合系統。可解釋性人工智能的進展與人工智能方法的發展緊密相關，例如我們在早期的論文“可解釋的知識支持系統的基礎”中所涉及的類別，涵蓋了專家系統、語義web方法、認知助手和機器學習方法。我們注意到這些方法主要處理可解釋性的特定方面。例如，由專家系統產生的解釋主要用于提供推理所需的痕跡、來源和理由。這些由認知助理提供的模型能夠調整它們的形式以適應用戶的需求，并且在機器學習和專家系統領域，解釋為模型的功能提供了一種“直覺”。
付費5元查看完整內容
簡介： 知識圖譜作為Ai要實現通用智能不可或缺的一環，其重要性不言而喻。要構建知識圖譜，離不開知識表示與知識建模。知識建模依賴于知識表示的語言和框架，這里說的知識，與數據的不同之處在于即要表達數據本身的意義，還要有理解的強大推理能力。本次報告利用知識建模與生成式推理相結合一起解決常識問題。如何來定義這個常識問題？首先是關于日常情況和事件，其次是存在于大多數人之間普遍共享的。比如，可以打開壁櫥門，但不能打開冰箱門，因為里面的食物可能變質。
本次報告的主要內容包括：
- 數據存在的挑戰
- 符號常識圖
- 神經常識推理
- 思考與討論
存在的數條常識推理挑戰歸結來說就是：
1）無法對有限的變量集使用有限的推理規則來進行推理
2）推理取決于豐富的知識
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191