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

題目： Representation Learning on Graphs: Methods and Applications

摘要：

圖機器學習是一項重要且普遍存在的任務，其應用范圍從藥物設計到社交網絡中的友情推薦。這個領域的主要挑戰是找到一種表示或編碼圖形結構的方法，以便機器學習模型能夠輕松地利用它。傳統上，機器學習方法依賴于用戶定義的啟發法來提取對圖的結構信息進行編碼的特征(例如，度統計或內核函數)。然而，近年來，使用基于深度學習和非線性降維的技術，自動學習將圖結構編碼為低維嵌入的方法激增。在這里，我們提供了一個概念上的回顧，在這一領域的關鍵進展，圖表示學習，包括基于矩陣分解的方法，隨機漫步的算法和圖神經網絡。我們回顧了嵌入單個節點的方法以及嵌入整個(子)圖的方法。在此過程中，我們開發了一個統一的框架來描述這些最近的方法，并強調了一些重要的應用程序和未來工作的方向。

作者簡介：

William L. Hamilton是麥吉爾大學計算機科學的助理教授，也是加拿大魁北克Mila AI研究所的CIFAR AI主席。William L. Hamilton開發的機器學習模型可以對這個復雜的、相互聯系的世界進行推理。研究興趣集中在機器學習、網絡科學和自然語言處理的交叉領域，目前的重點是快速發展的圖表示學習和圖神經網絡。

Rex Ying是斯坦福大學計算機科學二年級的博士生，研究主要集中在開發應用于圖形結構數據的機器學習算法。曾致力于開發可擴展到網絡規模數據集的廣義圖卷積網絡，應用于推薦系統、異常檢測和生物學。

講座題目

深層貝葉斯挖掘、學習與理解：Deep Bayesian Mining, Learning and Understanding

講座簡介

本教程介紹了自然語言的深度貝葉斯學習的進展，其應用廣泛，從語音識別到文檔摘要、文本分類、文本分割、信息提取、圖像字幕生成、句子生成、對話控制、情感分類、推薦系統，問答和機器翻譯，舉幾個例子。傳統上，“深度學習”被認為是一種基于實值確定性模型進行推理或優化的學習過程。從大量詞匯中提取的單詞、句子、實體、動作和文檔中的“語義結構”在數學邏輯或計算機程序中可能沒有得到很好的表達或正確的優化。自然語言離散或連續潛變量模型中的“分布函數”可能無法正確分解或估計。本教程介紹了統計模型和神經網絡的基本原理，重點介紹了一系列先進的貝葉斯模型和深層模型，包括分層Dirichlet過程、中餐館過程、分層Pitman-Yor過程、印度自助餐過程、遞歸神經網絡、長時短期記憶，序列到序列模型，變分自動編碼器，生成對抗網絡，注意機制，記憶增強神經網絡，跳躍神經網絡，隨機神經網絡，預測狀態神經網絡，策略神經網絡。我們將介紹這些模型是如何連接的，以及它們為什么在自然語言中的符號和復雜模式的各種應用中起作用。為了解決復雜模型的優化問題，提出了變分推理和抽樣方法。詞和句子的嵌入、聚類和共聚類與語言和語義約束相結合。本文提出了一系列的案例研究，以解決深度貝葉斯挖掘、學習和理解中的不同問題。最后，我們將指出未來研究的一些方向和展望。

講座嘉賓

Jen-Tzung Chien，詹增建于一九九七年獲中華民國新竹國立清華大學電機工程博士學位。現任臺灣新竹國立交通大學電機與電腦工程系及電腦科學系主任教授。2010年，他在紐約約克敦高地IBM T.J.沃森研究中心擔任客座教授。他的研究興趣包括機器學習、深度學習、自然語言處理和計算機視覺。

講座題目

社會用戶興趣挖掘：方法與應用：Social User Interest Mining: Methods and Applications

講座簡介

社交網絡上豐富的用戶生成內容提供了建立模型的機會，這些模型能夠準確有效地提取、挖掘和預測用戶的興趣，希望能夠實現更有效的用戶參與、更好質量地提供適當的服務和更高的用戶滿意度。雖然傳統的建立用戶檔案的方法依賴于基于人工智能的偏好獲取技術，這些技術可能被用戶認為是侵入性的和不受歡迎的，但最近的進展集中在確定用戶興趣和偏好的非侵入性但準確的方法上。在本教程中，我們將介紹與有效挖掘用戶興趣相關的五個重要方面： 1）用于提取用戶興趣的信息源 2）文獻中提出的各類用戶興趣簡介 3）為挖掘用戶利益而采用或提議的技術 4）最新方法的可擴展性和資源需求 5）文獻中采用的評估方法，用于驗證挖掘的用戶興趣概要的適當性。我們還將介紹現有的挑戰、開放的研究問題和激動人心的工作機會。

講座嘉賓

Fattane Zarrinkalam博士是Ryerson大學系統、軟件和語義實驗室（LS3）的博士后研究員，她在那里從事與支持語義的社交網絡分析相關的項目。在博士研究期間，她專注于根據社交網絡（尤其是Twitter）上的個人和集體行為來識別社交媒體用戶的興趣。她在CIKM、ESWC和ECIR等場館發表了自己的作品。此外，她還在包括信息檢索、信息處理和管理在內的頂級期刊上發表期刊論文。此外，在她攻讀博士學位期間，她參與了兩項向美國專利局提出的專利申請。

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”）。

講座題目

成本敏感多類多標簽分類研究進展：Advances in Cost-sensitive Multiclass and Multilabel Classification

講座簡介

分類是數據挖掘和知識發現中的一個重要問題。傳統上，規則分類問題的目的是最小化誤預測的錯誤率。然而，現實世界中的許多數據挖掘應用程序需要不同的成本來處理不同類型的mis分類錯誤。例如，誤將革蘭氏陽性菌歸類為革蘭氏陰性菌會導致完全無效的治療，因此比誤將革蘭氏陽性菌歸類為另一革蘭氏陽性菌更為嚴重。這種對成本敏感的分類問題與常規分類問題有很大的不同，可以應用于目標營銷、信息檢索、醫療決策、目標識別和入侵檢測等領域。 成本敏感的二元分類問題自90年代以來一直被研究，導致采樣和重新加權工具繼續影響許多實際應用。在過去的20年里，研究人員已經改進了這些工具來解決更復雜的問題，包括多類和多標簽分類問題。本教程旨在回顧和總結這些進展，使更多的實際應用程序能夠享受到成本敏感分類的好處。這些進步包括在推理過程中考慮成本的貝葉斯方法，將成本敏感的分類任務轉換為其他任務的基于約簡的方法，以及將成本插入優化和特征提取過程的深度學習方法。我們討論了這些方法之間的關系以及它們的實際應用。我們還將介紹一些在數據挖掘應用中取得的成功，例如提高實際細菌分類系統的性能，以及解決KDDCup 1999的類不平衡問題。

講座嘉賓

suan-Tien Lin，徐天林教授于二零零一年獲國立臺灣大學計算機科學及資訊工程學士學位，二零零五年及二零零八年分別獲加州理工學院計算機科學碩士及博士學位。2008年進入國立臺灣大學計算機科學與信息工程系任助理教授，2012年晉升為副教授，2017年8月起任教授。2016年至2019年間，他擔任Appier的首席數據科學家，Appier是一家初創公司，專門在數字營銷和商業智能等各個領域簡化人工智能。目前，他與Appier一起成長，擔任其首席數據科學顧問。

講座題目

假設檢驗與統計聲音模式挖掘：Hypothesis Testing and Statistically-sound Pattern Mining

講座簡介

大量數據集的可用性突出表明，需要計算效率高、統計上可靠的方法來提取模式，同時對結果的質量提供嚴格的保證，特別是在錯誤發現方面。在本教程中，我們將介紹最近的一些方法，這些方法適當地結合了計算和統計方面的考慮，以便有效地從大型數據集中挖掘統計上可靠的模式。我們首先介紹統計假設檢驗中的基本概念，數據挖掘社區中的每個人可能都不熟悉這些概念。然后，我們將解釋如何以不同的方式處理模式挖掘中的計算和統計挑戰。最后，我們描述了這些方法在市場籃分析、子圖挖掘、社會網絡分析和癌癥基因組學等領域的應用。本教程的目的是向觀眾介紹統計假設測試，強調正確平衡模式挖掘的計算和統計方面的重要性，強調這樣做對數據挖掘研究人員的有用性，并鼓勵在這方面的進一步研究。

講座嘉賓

Leonardo Pellegrina是帕多瓦大學信息工程系信息工程專業的博士生，由法比奧·范丁教授和布朗大學客座研究員指導。他的研究活動集中在高效和統計上合理的算法，用于從大數據中發現模式，并應用到計算生物學。

講座題目

Recent Progress in Zeroth Order Optimization and Its Applications to Adversarial Robustness in Data Mining and Machine Learning

講座簡介

當梯度的顯式表達式很難或不可能獲得時，零階（ZO）優化越來越被用來解決大數據和機器學習問題。它通過有效梯度估計近似全梯度實現無梯度優化。最近的一些重要應用包括：a）產生對深度神經網絡的預測規避、黑箱對抗攻擊；b）計算能力有限的在線網絡管理；c）黑箱/復雜系統的參數推斷；d）根據損失函數部分反饋的bandit優化她的對手所揭示的價值觀。 本教程旨在全面介紹ZO優化方法在理論和應用方面的最新進展。在理論方面，我們將討論ZO算法的收斂速度和迭代復雜性分析，并與它們的一階對應進行比較。在應用方面，我們將重點介紹ZO優化在研究深層神經網絡魯棒性方面的一個很有吸引力的應用-從黑箱機器學習模型生成對抗性示例的實用有效的對抗性攻擊。我們還將總結有關ZO優化、大數據挑戰和一些開放式數據挖掘和機器學習問題的潛在研究方向。

講座嘉賓

Pin-Yu Chen 是麻省理工學院-IBM人工智能實驗室，IBM Thomas J.Watson研究中心，可信人工智能小組和PI的研究人員。最近的研究重點是對抗性機器學習和神經網絡的魯棒性，更廣泛地說，使機器學習值得信賴。我的研究興趣還包括圖形學習、網絡數據分析及其在數據挖掘、機器學習、信號處理和網絡安全中的應用。

講座題目

從生產規模神經網絡中發現知識的統計學習方法：Statistical Mechanics Methods for Discovering Knowledge from Production-Scale Neural Networks

講座簡介

本教程將回顧使用統計力學技術來理解現代深層神經網絡特性的最新發展。盡管統計力學和神經網絡之間的聯系由來已久，但近幾十年來，這種聯系已經消失了。針對傳統統計學習理論和隨機優化理論在定性描述生產質量深層神經網絡模型的許多性質方面的不足，研究者重新審視了神經網絡統計力學的思想。本教程將提供該領域的概述；它將詳細介紹與重尾隨機矩陣理論的聯系如何導致大規模深層神經網絡的實際現象學理論；它將描述未來的方向。

講座嘉賓

Charles Martin持有芝加哥大學理論化學博士學位。他后來是NSF博士后研究員，并在UIUC的理論物理學小組工作，該小組研究了神經網絡的統計機理。他目前擁有和操作計算咨詢，在ML和AI的一家商店咨詢專業，支持客戶在AI進行應用研究。他擁有一個很好的博客，在實踐的ML理論上，他有一段時間的支持和工作，在深度學習中的隱含和重量自律。

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

主題： Medical decision analysis with probabilistic graphical models

摘要： 概率圖模型（PGMs）如貝葉斯網絡、影響圖、馬爾可夫決策過程等，在醫學領域的應用已有幾十年的歷史。本教程回顧了主要模型，提出了解決實際工作健康問題的新型模型和算法，包括時間推理和成本效益分析，并討論了這些方法相對于衛生經濟學中常用方法的優勢，為PGMs開發了許多軟件工具。

邀請嘉賓： Francisco Javier Díez Vegas，博士，西班牙馬德里聯合國教科文組織人工智能部智能決策智能系統研究中心（CISIAD）主任，聯合國開發計劃署署長。