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

主題： 11-785 Introduction to Deep Learning

簡介： 以深度神經網絡為代表的“深度學習”系統正日益接管所有人工智能任務，從語言理解、語音和圖像識別，到機器翻譯、規劃，甚至是游戲和自動駕駛。因此，在許多先進的學術環境中，深度學習的專業知識正迅速從一個深奧的理想轉變為一個強制性的先決條件，并在工業就業市場上占有很大優勢。在本課程中，我們將學習深層神經網絡的基礎知識，以及它們在各種人工智能任務中的應用。課程結束時，學生將對本課程有相當的了解，并能將深度學習應用到各種任務中。他們還將通過進一步的研究來了解關于這一主題的許多現有文獻并擴展他們的知識。

主講人簡介： Bhiksha Raj，卡內基梅隆大學計算機學院教授，IEEE研究員。個人主頁：//mlsp.cs.cmu.edu/people/bhiksha/index.php

教程題目：Adversarial Machine Learning

教程簡介：

近年來，機器學習在廣泛的行業和應用領域得到了顯著的普及。機器學習技術的許多應用本質上是對抗性的，因為其目標是將“壞的”實例與“好的”實例區分開來。事實上，對抗性的使用遠遠超出了這個簡單的分類示例:對惡意軟件的法醫分析，包括集群、異常檢測，甚至自動駕駛汽車上的視覺系統，都可能受到攻擊。針對這些問題，出現了一個關于對抗性機器學習的新興文獻，它涵蓋了對機器學習算法漏洞的分析，以及產生更健壯學習的算法技術。

本教程將從網絡安全和機器學習研究領域中廣泛調查這些問題和技術。特別考慮了對抗性分類器規避(攻擊者改變行為以避免被檢測到)和訓練數據本身已損壞的問題。還討論了逃避攻擊和中毒攻擊，首先討論了分類器，然后討論了其他學習范例和相關的防御技術。然后，我們考慮用于攻擊和防御神經網絡的專門技術，特別是專注于深度學習技術及其對逆向構建實例的脆弱性。

組織者：

Bo Li是伊利諾伊大學香檳分校計算機科學系的助理教授。她的研究興趣在于對抗性的深度學習、安全性、隱私和博弈論。她開發并分析了可伸縮的健壯學習框架，用于在對抗規避攻擊的環境中學習算法。她還分析了物理世界中對抗學習算法的行為。她是賽門鐵克研究實驗室研究生獎學金的獲得者。她于2016年獲得范德比爾特大學博士學位。

Dawn Song是加州大學伯克利分校電氣工程和計算機科學系的教授。她的研究興趣在于深度學習和安全性。她研究了計算機系統和網絡中的各種安全和隱私問題，包括從軟件安全、網絡安全、數據庫安全、分布式系統安全、應用密碼學到機器學習和安全的交叉領域。她是獲得各種獎項,包括麥克阿瑟獎學金,古根海姆獎學金,NSF事業獎,斯隆研究獎學金,麻省理工學院技術評論TR-35獎,喬治Tallman Ladd研究獎,小川基金會研究獎,李嘉誠基金會女性在科學卓越系列講座獎,教師從IBM研究獎,谷歌和其他主要科技公司,從上會議最佳論文獎。她在加州大學伯克利分校獲得了博士學位。在加入加州大學伯克利分校之前，她曾于2002年至2007年在卡內基梅隆大學(Carnegie Mellon University)擔任助理教授。

Yevgeniy Vorobeychik是圣路易斯華盛頓大學計算機科學與工程學院的副教授。此前，他是桑迪亞國家實驗室的首席研究科學家。2008年至2010年，他是賓夕法尼亞大學計算機與信息科學系的博士后研究員。他獲得了密歇根大學的計算機科學與工程博士學位(2008)和碩士學位(2004)，以及西北大學的計算機工程學士學位。他的工作重點是安全與隱私的博弈論建模，對抗機器學習，算法和行為博弈論和激勵設計，優化，基于代理的建模，復雜系統，網絡科學，流行病控制。Vorobeychik博士在2017年獲得了美國國家科學基金會職業成就獎，并受邀發表了ijcai16早期職業聚焦演講。他被提名為2008年ACM博士學位論文獎，并獲得了2008年IFAAMAS杰出論文獎的榮譽獎。

教程ppt下載鏈接： 鏈接：//pan.baidu.com/s/1YDWJ2lFhiLRtNDpH4YyZLg 提取碼：ccra

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： 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： Learning for policy improvement

摘要： 強化學習在經驗易獲得的領域取得了許多成功，如電子游戲或棋盤游戲。這類區域的RL算法通常基于梯度下降：它們以較小的學習率進行許多噪聲更新。相反，我們研究每次更新花費更多計算的算法，試圖減少噪聲并進行更大的更新；當經驗比計算時間更昂貴時，這樣的算法是合適的。特別地，我們看幾種基于近似策略迭代的方法。

作者簡介： Geoff Gordon博士是微軟研究蒙特勒實驗室的研究主任，也是卡內基梅隆大學機器學習系的教授。他還擔任過機械學習系的臨時系主任和教育副系主任。戈登博士的研究集中在能夠進行長期思考的人工智能系統上，比如提前推理以解決問題、計劃一系列行動或從觀察中推斷出看不見的特性。特別是，他著眼于如何將機器學習與這些長期思考任務結合起來。1991年，戈登博士在康奈爾大學獲得計算機科學學士學位，1999年在卡內基梅隆大學獲得計算機科學博士學位。他的研究興趣包括人工智能、統計機器學習、教育數據、博弈論、多機器人系統，以及概率、對抗和一般和領域的規劃。他之前的任命包括斯坦福大學計算機科學系的客座教授和圣地亞哥燃燒玻璃技術的首席科學家。

主題： Adaptive Influence Maximization

簡介：

在當今的網絡生態系統中，信息擴散和社會影響越來越多。對于所有在網絡上做廣告的參與者(媒體公司、政黨、公司等)來說，擁有優化社交媒體存在和信息傳播的算法確實至關重要。由于需要有效的病毒式營銷策略，因此影響估計和影響最大化成為重要的研究問題，導致了方法的過剩。然而，這些方法中的大多數是非自適應的，因此不適用于可能在多個回合中運行和觀察影響活動的場景，也不適用于不能假定對擴散網絡和其中的信息傳播方式具有充分知識的場景。

在本教程中，我們打算介紹自適應影響最大化的最新研究，旨在解決這些限制。這可以被視為一種特殊情況下的影響最大化問題(種子在社會圖選擇最大化信息傳播),一個決策作為影響運動的展開,在多個回合,知識圖拓撲結構和影響過程甚至可能部分或完全缺失。這種設置，取決于基本的假設，導致變量和原始的方法和算法技術，正如我們在最近的文獻中看到的。我們將回顧這一領域最相關的研究，按照幾個關鍵維度進行組織，討論這些方法的優點和缺點，以及開放式研究問題及其實施的實際方面。

邀請嘉賓：

Bogdan Cautis，法國巴黎大學計算機科學系教授，2013年9月至今。在此之前，他是巴黎電信ParisTech的副教授(2007-2013)。2007年，他獲得了法國巴黎大學的博士學位。他目前的研究興趣是數據管理和數據挖掘的廣泛領域，特別是社會網絡和信息擴散。

Silviu Maniu，法國巴黎大學計算機科學系副教授，2015年9月至今。在此之前，他曾任華為諾亞方舟實驗室研究員(2014-2015)。2012年，他獲得了ParisTech電信公司的博士學位。他的研究興趣主要集中在圖形數據挖掘的一般領域，側重于處理不確定性的模型和算法。

Nikolaos Tziortziotis是法國巴黎Tradelab項目平臺的數據科學家研發人員。在此之前，他是法國巴黎南部大學計算機科學系的博士后研究員(2018年11月至12月)。他也是法國巴黎理工學院計算機科學實驗室(LIX)的博士后研究員(2015-2018)。他獲得了希臘約阿尼納大學計算機科學與工程系的博士學位。他的研究興趣跨越了機器學習和數據挖掘的廣泛領域，主要集中在強化學習、貝葉斯學習、影響最大化和實時競價。

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。

主題： Algorithm configuration: learning in the space of algorithm designs

摘要： 本教程調查了機器學習的一個新的前沿領域，假設空間中的每個點對應一個算法，例如組合優化問題求解器。這項工作的大部分屬于所謂的算法配置；它還借鑒了bandits、貝葉斯優化、強化學習等方法。本教程將首先解釋這個領域，描述一些最近的成功案例，并對整個機器學習社區和其他領域的相關工作進行全面的概述。然后，重點研究了基于貝葉斯優化和bandits擴展的算法配置問題及其求解方法。我們還將調查基于隨機局部搜索、算法組合等的各種其他方法。自始至終，我們將強調全局觀念、激勵性案例研究和核心方法創新。我們將通過調查重要的開放性問題和來自更廣泛社區的令人興奮的初步結果來總結，這些結果提供了潛在的前進道路。

邀請嘉賓： Frank Hutter 是德國弗萊堡大學（University of Freiburg）計算機科學系機器學習的正式教授，自2013年起擔任該校教員。在此之前，他在不列顛哥倫比亞大學（UBC）讀了8年的博士和博士后。弗蘭克的主要研究興趣在于機器學習、人工智能和自動算法設計。在2009年的算法配置博士論文中，他獲得了CAIAC博士論文獎，獲得了當年加拿大人工智能領域的最佳論文獎，并與他的合著者一起，在自動化機器學習、SAT求解和人工智能規劃的國際競賽中獲得了幾項最佳論文獎和獎項。自2016年起，他獲得了ERC啟動獎助金，用于一個基于貝葉斯優化、貝葉斯神經網絡和深度強化學習的自動化深度學習項目。

Kevin Leyton Brown是不列顛哥倫比亞大學 (University of British Columbia)的計算機科學教授，也是Amii的加拿大CIFAR AI主席。他擁有斯坦福大學（2003年；2001年）的博士和碩士學位，以及麥克馬斯特大學（1998年）的學士學位。他將機器學習應用于啟發式算法的設計以及電子市場的設計和運作。他合著了兩本書和100多篇同行評議的技術文章。2017年當選為人工智能進步協會（AAAI）會員，2018年當選為ACM杰出會員。與其他18人組成的團隊一起，他被授予INFORMS Franz Edelman運營研究和管理科學成就獎，被稱為“領先的O.R.和分析獎”。他是UBC 2015年Charles a.McDowell研究卓越獎的獲得者，一項2014年的NSERC E.W.R.Steacie紀念獎學金（自1965年成立以來，該獎學金僅授予一名計算機科學家10次）和一項2013年加拿大計算機科學協會頒發的杰出青年計算機科學研究員獎。他是ACM SIGecom的主席，曾擔任頂級人工智能期刊AIJ和JAIR的副主編。他與超過75萬名學生共同教授兩門Coursera課程，并因在UBC的教學獲得多項獎項。

題目： Adversarial Machine Learning

報告簡介： 近年來，機器學習在廣泛的行業和應用中獲得了驚人的普及。機器學習技術的許多應用本質上都是對抗性的。的確，對抗性使用遠遠超出了簡單的分類示例：對惡意軟件的分析將群集，異常檢測甚至自動駕駛車輛的視覺系統結合在一起，都可能受到攻擊。針對這些擔憂，出現了有關對抗性機器學習的新興文獻，既涵蓋了機器學習算法中的漏洞分析，又包括產生更強大學習的算法技術。本教程將調查來自網絡安全和機器學習研究領域的各種問題和技術。特別是，我們考慮了對抗性分類器和訓練數據本身已損壞的問題。我們首先討論分類器，然后討論其他學習范例，以及相關的防御技術，然后，我們考慮用于攻擊和防御神經網絡的專用技術。

嘉賓介紹： Bo Li是伊利諾伊大學香檳分校計算機科學系的助理教授。 她的研究興趣在于對抗性深度學習，安全性，隱私和博弈論。 她已經開發并分析了可擴展的健壯學習框架，用于在對抗環境中學習算法以應對逃避攻擊。 她還分析了物理世界中針對學習算法的對抗行為。

Yevgeniy Vorobeychik是圣路易斯華盛頓大學計算機科學與工程學院的副教授。此前，他是桑迪亞國家實驗室的首席研究科學家。2008年至2010年，他是賓夕法尼亞大學計算機與信息科學系的博士后研究員。他獲得了密歇根大學的計算機科學與工程博士學位(2008)和碩士學位(2004)，以及西北大學的計算機工程學士學位。他的工作重點是安全與隱私的博弈論建模，對抗機器學習，算法和行為博弈論和激勵設計，優化，基于代理的建模，復雜系統，網絡科學，流行病控制。Vorobeychik博士在2017年獲得了美國國家科學基金會職業成就獎，并受邀發表了ijcai16早期職業聚焦演講。他被提名為2008年ACM博士學位論文獎，并獲得了2008年IFAAMAS杰出論文獎的榮譽獎。