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

近年來，元學習方法取得了快速進展。元學習方法通過跨任務和領域遷移知識，以更有效地學習新任務，優化學習過程本身，甚至從頭開始生成新的學習方法。元學習可以被看作是機器學習在過去十年中所經歷的邏輯總結，從通過手工制作的特征學習分類器和策略，到學習分類器和策略操作的表示，最后到學習算法本身獲得表示、分類器和策略。元學習方法也很有實際意義。例如，它們已經被證明產生了新的最先進的自動機器學習算法和架構，并在很大程度上改進了少樣本的學習系統。此外，通過經驗提高自身學習能力的能力也可以被視為智慧生物的一個標志，而認知科學對人類學習的研究和神經科學對獎勵學習的研究都與此密切相關。

//meta-learn.github.io/2020/

視頻：

Jane Wang是DeepMind神經科學團隊的一名研究科學家，研究元強化學習和受神經科學啟發的人工智能代理。她的背景是物理、復雜系統、計算和認知神經科學。

Kevin Miller是DeepMind神經科學團隊的研究科學家，也是倫敦大學學院的博士后。他目前正在研究如何理解mice和機器的結構化強化學習。

Adam Marblestone是施密特期貨創新公司(Schmidt Futures innovation)的研究員，曾是DeepMind的研究科學家，此前他獲得了生物物理學博士學位，并在一家腦機接口公司工作。

Where Neuroscience Meets AI

地址： //sites.google.com/view/neurips-2020-tutorial-neurosci/home

大腦仍然是唯一已知的真正通用智能系統的例子。對人類和動物認知的研究已經揭示了一些關鍵的見解，如并行分布式處理、生物視覺和從獎賞信號中學習的想法，這些都極大影響了人工學習系統的設計。許多人工智能研究人員繼續將神經科學視為靈感和洞察力的來源。一個關鍵的困難是，神經科學是一個廣泛的、異質的研究領域，包括一系列令人困惑的子領域。在本教程中，我們將從整體上對神經科學進行廣泛的概述，同時重點關注兩個領域——計算認知神經科學和電路學習的神經科學——我們認為這兩個領域對今天的人工智能研究人員尤其相關。最后，我們將強調幾項正在進行的工作，這些工作試圖將神經科學領域的見解引入人工智能，反之亦然。

概要：

• 概述 Introduction / background (15 min)
• 認知神經科學 Cognitive neuroscience (30 min)
• 學習電路與機制神經科學， Learning circuits and mechanistic neuroscience (30 min)
• 交叉最新進展 Recent advancements at the intersection (25 min)

【導讀】Imitation Learning（模仿學習）機器學習新的研究熱點之一，因其能很好的解決強化學習中的多步決策（sequential decision）問題，近段時間得到了廣泛關注。那么模仿學習近期的前沿進展如何呢，來自加州理工大學的Yisong Yue在DAI'20 Workshop，做了名為《Towards Real-World Imitation Learning: Animation, Sports Analytics, Robotics, and More講座。新鮮出爐的PPT，一起來看看吧。

簡介：

隨著時空跟蹤和傳感數據的不斷增長，現在人們可以在大范圍內分析和建模細粒度行為。例如，收集每一場NBA籃球比賽的跟蹤數據，包括球員、裁判和以25hz頻率跟蹤的球，以及帶注釋的比賽事件，如傳球、投籃和犯規。其他設置包括實驗室動物、公共空間中的人、手術室等設置中的專業人員、演員的演講和表演、虛擬環境中的數字化身、自然現象(如空氣動力學)，甚至其他計算系統的行為。

在這次演講中，我將描述正在進行的研究，即開發結構化模仿學習方法來開發細粒度行為的預測模型。模仿學習是機器學習的一個分支，研究模仿動態演示行為。結構化模仿學習涉及到使用數學上嚴格的領域知識，這些知識可以(有時是可以證明的)加速學習，還可以提供附加的好處(如Lyapunov穩定性或策略行為的可解釋性)。我將提供基本問題設置的高級概述，以及在動物建模、專業運動、語音動畫等項目。

簡介： 強大的機器學習技術在數據豐富的領域成為可能。然而，數據稀缺的領域對這類方法具有挑戰性，因為高容量函數逼近器非常依賴大型數據集進行泛化。這可能對從監督醫學圖像處理到增強學習等領域構成重大挑戰，在這些領域中，真實世界的數據收集(例如機器人)構成了重大的后勤挑戰。元學習或小樣本學習為這一問題提供了一個潛在的解決方案:通過學習跨許多以前任務的數據學習，小樣本元學習算法可以發現任務之間的結構，從而使新任務的快速學習成為可能。

本教程的目的是提供一個統一的元學習視角:向讀者講授現代方法，描述圍繞這些技術的概念和理論原則，介紹這些方法以前在哪里被應用，并討論該領域內的基本開放問題和挑戰。我們希望本教程對其他領域的機器學習研究人員有用，同時也為元學習研究人員提供了一個新的視角。總而言之，我們的目標是讓觀眾能夠將元學習應用到他們自己的應用中，并開發新的元學習算法和理論分析，以應對當前的挑戰和現有工作的局限性。

視頻地址：

Part1 //www.facebook.com/icml.imls/videos/4006/

Part2

主講人介紹：

Chelsea Finn是Google Brain的研究科學家，也是加州大學伯克利分校的博士后。在2019年9月，她將加入斯坦福大學的計算機科學系擔任助理教授。 Finn的研究興趣在于使機器人和其他代理能夠通過學習和交互來發展廣泛的智能行為的能力。為此，芬恩開發了深度學習算法，用于同時學習機器人操縱技能中的視覺感知和控制，用于非線性獎勵函數的可伸縮獲取的逆強化方法以及可以在兩個視覺系統中實現快速，少拍適應的元學習算法感知和深度強化學習。 Finn在麻省理工學院獲得EECS的學士學位，并在加州大學伯克利分校獲得CS的博士學位。她的研究得到了NSF研究生獎學金，Facebook獎學金C.V.的認可。她獲得了Ramamoorthy杰出研究獎和《麻省理工學院技術評論35分35獎》，她的工作已被《紐約時報》，《連線》和彭博社等多家媒體報道。

Sergey Levine于2009年獲得斯坦福大學計算機科學學士學位和碩士學位，并獲得博士學位。 2014年獲得斯坦福大學計算機科學博士學位。他于2016年秋天加入加州大學伯克利分校電氣工程與計算機科學系。他的工作重點是決策和控制的機器學習，重點是深度學習和強化學習。他的工作應用包括自動駕駛機器人和車輛，以及計算機視覺和圖形。 他的研究包括開發將感知和控制相結合的深度神經網絡策略的端到端訓練算法，用于逆向強化學習的可擴展算法，深度強化學習算法等。 在許多受歡迎的媒體中，包括紐約時報，BBC，麻省理工學院技術評論和彭博社，他的作品都得到了報道。

主題： Meta-Learning: from Few-Shot Learning to Rapid Reinforcement Learning

摘要： 近年來，在數據豐富的領域，諸如深度神經網絡等高容量模型已經使機器學習技術變得非常強大。然而，數據稀缺的領域已被證明具有挑戰性的這種方法，因為高容量函數逼近嚴重依賴于大數據集的泛化。這可能對從有監督的醫學圖像處理到強化學習等領域構成重大挑戰，在這些領域，真實世界的數據收集（如機器人）構成重大的后勤挑戰。元學習或少鏡頭學習為這個問題提供了一個潛在的解決方案：通過學習從許多以前的任務中跨數據學習，很少鏡頭元學習算法能夠發現任務之間的結構，從而實現新任務的快速學習。本教程的目的是為元學習提供一個統一的視角：向觀眾講授現代方法，描述圍繞這些技術的概念和理論原則，介紹這些方法以前的應用領域，并討論了該地區存在的基本問題和挑戰。我們希望本教程對那些在其他領域有專長的機器學習研究人員都有用，同時也為元學習研究人員提供了一個新的視角。總而言之，我們的目標是為受眾成員提供將元學習應用到他們自己的應用中的能力，并開發新的元學習算法和理論分析，這些驅動是由現有工作的挑戰和局限所驅動的。我們將提供一個統一的視角，說明各種元學習算法如何能夠從小數據集中學習，概述元學習能夠而且不容易應用的應用，并討論這一子領域的突出挑戰和前沿。

邀請嘉賓： Chelsea Finn是Google Brain的研究科學家，也是加州大學伯克利分校的博士后學者。2019年9月，她將以助理教授的身份加入斯坦福大學計算機科學系。芬恩的研究興趣在于通過學習和互動，使機器人和其他智能體發展出廣泛的智能行為。為此，芬恩開發了深度學習算法，用于同時學習機器人操作技能中的視覺感知和控制，用于可伸縮獲取非線性回報函數的逆強化方法，以及能夠快速實現的元學習算法，在視覺感知和深度強化學習中，很少有鏡頭適應。芬恩在麻省理工學院獲得了EECS學士學位，在加州大學伯克利分校獲得了CS博士學位。她的研究成果已通過NSF研究生獎學金、Facebook獎學金、C.V.Ramamoorthy杰出研究獎和麻省理工35歲以下技術評論獎獲得認可，她的研究成果已被包括《紐約時報》、《連線》和彭博社在內的多家媒體報道。

Sergey Levine 2009年獲得斯坦福大學計算機科學學士和碩士學位，2014年獲得斯坦福大學計算機科學博士學位。他于2016年秋季加入加州大學伯克利分校電氣工程與計算機科學系。他的工作重點是決策和控制的機器學習，重點是深度學習和強化學習算法。他的工作包括自主機器人和車輛，以及計算機視覺和圖形。他的研究工作包括開發將感知和控制相結合的深度神經網絡策略的端到端訓練算法、反向強化學習的可擴展算法、深度強化學習算法等。