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

人工智能(AI)的成功應該在很大程度上歸功于豐富數據的可獲得性。然而，實際情況并非如此，行業中的開發人員常常面臨數據不足、不完整和孤立的情況。因此，聯邦學習被提議通過允許多方在不顯式共享數據的情況下協作構建機器學習模型，同時保護數據隱私，來緩解這種挑戰。然而，現有的聯邦學習算法主要集中在數據不需要顯式標記或者所有數據都有標記的情況下。然而在現實中，我們經常會遇到這樣的情況，標簽數據本身是昂貴的，沒有足夠的標簽數據供應。雖然這類問題通常通過半監督學習來解決，但據我們所知，聯邦半監督學習還沒有投入任何努力。在這項調查中，我們簡要地總結了目前流行的半監督算法，并對聯邦半監督學習做了簡要的展望，包括可能的方法、設置和挑戰。

講座題目

公平意識機器學習：現實挑戰與經驗教訓：Fairness-Aware Machine Learning: Practical Challenges and Lessons Learned

講座簡介

來自不同學科的研究人員和從業人員強調了使用機器學習模型和數據驅動系統所帶來的倫理和法律挑戰，以及由于算法決策系統的偏見，這些系統可能歧視某些群體。本教程概述了過去幾年觀察到的算法偏差/歧視問題，以及在機器學習系統中為實現公平性而吸取的經驗教訓、關鍵法規和法律，以及技術的發展。在為不同的消費者和企業應用開發基于機器學習的模型和系統時，我們將鼓勵采用“按設計公平”的方法（而不是將算法偏差/公平考慮視為事后考慮）。然后，我們將通過展示來自不同技術公司的非專利案例研究，重點關注公平感知機器學習技術在實踐中的應用。最后，根據我們在Facebook、Google、LinkedIn和Microsoft等公司致力于機器學習公平性的經驗，我們將為數據挖掘/機器學習社區提出開放的問題和研究方向。

講座嘉賓

莎拉?伯德（Sarah Bird）領導著人工智能研究與Facebook產品交叉點的戰略項目。她目前的工作集中在人工智能倫理和發展規模負責任人工智能。她還一直致力于開放人工智能系統，是ONNX的共同創造者之一，ONNX是一個用于深度學習模型的開放標準，也是Pythorc1.0項目的領導者。在加入Facebook之前，她曾是微軟紐約研究中心的人工智能系統研究員和微軟數據集團的技術顧問。她是微軟決策服務（Decision Service）背后的研究人員之一，該服務是第一個公開發布的通用強化學習型云系統。她還與人共同創立了微軟人工智能倫理命運研究小組。她擁有加州大學伯克利分校（UC Berkeley）計算機科學博士學位，由戴夫·帕特森（Dave Patterson）、克里斯特·阿薩諾維奇（Krste Asanovic）和伯頓·史密斯（Burton Smith）擔任顧問。Sarah共同組織了多個相關主題的研討會（人工智能、NIPS 2018中的道德、社會和治理問題研討會；NIPS 2018中的機器學習系統研討會；NIPS 2017中的機器學習系統研討會；SOSP 2017中的人工智能系統研討會；NIPS 2016中的機器學習系統研討會），并在2018年伯克利隱私法論壇（Berkeley Privacy Law Forum）上發表了受邀的主題演講（“人工智能與機器學習：Facebook視角”）。

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。

主題：Deep Learning for Graphs: Models and Applications

摘要：圖提供了多種類型的數據的通用表示，而深度學習在表示學習方面顯示了巨大的能力。因此，用圖連接深度學習提供了機會，使各種現實世界問題的通用解決方案成為可能。然而，傳統的深度學習技術對常規網格數據(如圖像和序列)具有破壞性，因此不能直接應用于圖結構數據。因此，將這兩個領域結合起來面臨著巨大的挑戰。在本教程中，我將全面概述圖深度學習的最新進展，包括模型和應用。特別地，我將介紹一些基本概念，回顧最先進算法，并舉例說明各種重要的應用。最后，我將通過討論開放問題和挑戰來總結本教程。

嘉賓簡介：唐繼良（Jiang Tang）自2016年秋季@起擔任密歇根州立大學計算機科學與工程系的助理教授。在此之前，他是Yahoo Research的研究科學家，并于2015年從亞利桑那州立大學獲得博士學位。他的研究興趣包括社交計算，數據挖掘和機器學習及其在教育中的應用。他曾獲得2019年NSF職業獎，2015年KDD最佳論文亞軍和6項最佳論文獎，包括WSDM2018和KDD2016。他是會議組織者（例如KDD，WSDM和SDM）和期刊編輯（例如TKDD）。他的研究成果發表在高排名的期刊和頂級會議論文集上，獲得了數千篇引文（Google學術搜索）和廣泛的媒體報道。

PPT鏈接：//pan.baidu.com/s/1TMv5YsQbwPcRzGy-BkY-bg

報告主題：用戶隱私，數據孤島和聯邦學習 報告摘要：隨著人工智能(AI)的廣泛應用，AI系統所面臨的大數據挑戰也日益凸顯。一方面，AI系統的成功離不開大數據，另一方面，社會對于用戶隱私的泄露也越來越不能容忍。最近，歐洲推出了嚴厲的個人數據隱私法案，而部門和機構之間的隔閡也使得部門墻成為數據孤島間難以逾越的障礙。面對這一嚴峻挑戰，我們提出“聯邦遷移學習"，用以建立機構間的橋梁，使得不同數據控制方可以參與聯合建立AI模型，并協作使用模型來進行決策。各方數據不出本地，而用戶隱私得到最好保護。我將舉例描述聯邦遷移學習這一技術的幾個功能，包括數據確權定價，利益合理分配，安全聯合建模。

嘉賓簡介：楊強，微眾銀行首席人工智能官，曾擔任香港科技大學計算機與工程系講座教授和系主任，前華為諾亞方舟實驗室主任，第四范式公司聯合創始人，AAAI執委，國際人工智能聯合會IJCAI理事會主席，香港人工智能與機器人學會理事長，ACM TIST 和IEEE TRANS on BIG DATA創始主編，AAAI, ACM，IEEE，AAAS等多個國際學會的Fellow。

主題: Safe and Fair Machine Learning

簡介：

在這個演講將討論一些我們的未來的工作在一個新的框架設計的機器學習算法,內容包括：1)使得算法的用戶更容易定義他們認為是不受歡迎的行為(例如,他們認為是不公平的,不安全,或者成本)；2)提供了一個高信任度保證它不會產生一個解決方案,展示了用戶定義的不受歡迎的行為。

作者簡介：

Philip Thomas是馬薩諸塞大學安姆斯特分校信息與計算機科學學院助理教授，自主學習實驗室聯合主任。之前是卡內基·梅隆大學(CMU)的博士后，2015年，在馬薩諸塞州立大學阿默斯特分校(UMass Amherst)獲得了計算機科學博士學位。主要研究如何確保人工智能(AI)系統的安全性，重點是確保機器學習(ML)算法的安全性和公平性以及創建安全和實用的強化學習(RL)算法。

題目： Machine Learning Meets Big Spatial Data

簡介： 生成數據量的激增推動了可伸縮的機器學習解決方案的興起，從而可以有效地分析此類數據并從中提取有用的見解。同時，近年來，空間數據已經變得無處不在，例如GPS數據。大空間數據的應用涉及廣泛的領域，包括跟蹤傳染病，模擬氣候變化，吸毒成癮等等。因此，通過提供對現有機器學習解決方案的空間擴展或從頭開始構建新的解決方案，人們付出了巨大的努力來支持這些應用程序內部的有效分析和智能。在這個90分鐘的教程中，我們全面回顧了機器學習和大空間數據交匯處的最新技術。我們涵蓋了機器學習三個主要領域中的現有研究工作和挑戰，即數據分析，深度學習和統計推斷，以及兩個高級空間機器學習任務，即空間特征提取和空間采樣。我們還強調了該領域未來研究中存在的開放性問題和挑戰。

嘉賓介紹： Ibrahim Sabek是明尼蘇達大學計算機科學與工程系的博士候選人。 他獲得了理學碩士學位。 他于2017年在同一部門獲得博士學位。他的研究興趣在于大空間數據管理，空間計算和可伸縮機器學習系統之間的交叉領域。 易卜拉欣已獲得ACM SIGSPATIAL 2018最佳論文獎的提名，并獲得了ACM SIGMOD學生研究競賽（SRC）2017決賽階段的資格。在博士期間，他與NEC Labs America和Microsoft Research（MSR）合作 ）。 易卜拉欣在ACM TSAS，IEEE ICDE，ACM SIGSPATIAL，IEEE TMC等頂級研究機構發表了許多論文，并在VLDB和ACM SIGMOD上展示了他的工作。

Mohamed F.Mokbel是卡塔爾計算研究所的首席科學家，也是明尼蘇達大學的教授。 他目前的研究興趣集中于大空間數據和應用程序的系統和機器學習技術。 他的研究工作已獲得VLDB十年最佳論文獎，四個會議最佳論文獎和NSF職業獎。 除了在其他社區的一線場所（包括IEEE ICDM和ACM CCS）的教程之外，穆罕默德還在VLDB / SIGMOD / ICDE / EDBT會議上提供了六篇教程。 這些教程都不會與本教程建議重疊。 穆罕默德（Mohamed）是ACM SIGPATIAL的當選主席，目前是分布式和并行數據庫期刊的主編，并且是ACM Books，ACM TODS，VLDB Journal，ACM TSAS和GoeInformatica期刊的編輯委員會成員。

題目主題： Dual Learning for Machine Learning

簡介：

許多AI任務以雙重形式出現，例如英語法語翻譯與法語英語翻譯，語音識別與語音合成，問題解答與問題生成，圖像分類與圖像生成。雖然結構對偶性在AI中很常見，但大多數學習算法并未在學習/推理中利用它。雙重學習是一種新的學習框架，它利用AI任務的原始-雙重結構來獲取有效的反饋或正則化信號，從而增強學習/推理過程。雙重學習已在不同的學習環境中進行了研究，并應用于不同的應用程序。 在本教程中，我們將對雙重學習進行介紹，它由三部分組成。在第一部分中，我們將介紹雙重半監督學習，并展示如何有效地一起利用標記和未標記的數據。我們將從神經機器翻譯開始，然后轉移到其他應用程序。在第二部分中，我們介紹了雙重無監督學習，其中的培訓是完全無監督的。我們介紹了無監督機器翻譯和無監督圖像翻譯。最后，我們介紹了雙重監督學習及其以外的內容，其中包括雙重監督學習，雙重推理和雙重對抗性學習。在本教程的最后，我們提出了雙重學習的幾個未來方向。

作者介紹：

Tao Qin博士是Microsoft Research Asia機器學習小組的高級首席研究經理。 他的研究興趣包括機器學習（側重于深度學習和強化學習），人工智能（對語言理解和計算機視覺的應用），游戲理論和多主體系統（對云計算，在線和移動廣告的應用， 電子商務），信息檢索和計算廣告。 他擁有清華大學的博士學位和學士學位。 他是ACM和IEEE的高級會員，也是中國科學技術大學的兼職教授（博士生導師）。

大綱：

• 動機與介紹
• 雙重半監督學習
• 雙重無監督學習
• 雙重監督學習
• 總結與展望