大家好，我就是倪蘋，社區(qū)昵稱是MLer-1，畢業(yè)于紐約大學(xué)計算機(jī)科學(xué)專業(yè)，我目前正在利物浦大學(xué)從事機(jī)器學(xué)習(xí)算法相關(guān)的研究和開發(fā)工作，研究領(lǐng)域包括 NLP，CV和分布式計算。
之前一直在關(guān)注領(lǐng)域內(nèi)的各大頂會，后來通過 AI 科技評論的公眾號發(fā)現(xiàn)了AI 研習(xí)社（ai.yanxishe.com），分享、交流的圈子又?jǐn)U大了數(shù)倍。再此感謝研習(xí)社提供的交流平臺和贊助機(jī)會，能在AI研習(xí)社的贊助下參加今年在澳門召開的IJCAI 2019大會，這次行程收獲滿滿，不僅拓展了領(lǐng)域內(nèi)的研究視野，同時也與產(chǎn)業(yè)與學(xué)術(shù)界有了更多的連結(jié)。歡迎大家掃碼關(guān)注我的社區(qū)主頁——
年度盛會
本次大會的內(nèi)容及活動非常豐富，其中包括：Workshop，Tutorials，MainConference，Competitions, Demos等部分，只要你想認(rèn)真學(xué)習(xí)或交流，每天基本上的行程都可以非常的滿。以我在11-13號的行程來看，每天從早到晚密集的Workshop遍布全場，各類主題更是包羅萬象，不僅涵蓋了理論人工智能（算法及其它技術(shù)上的創(chuàng)新），各行業(yè)的應(yīng)用（教育、金融、食品等其它行業(yè)）及跨領(lǐng)域交叉創(chuàng)新方面（環(huán)境科學(xué)、醫(yī)學(xué)、社會學(xué)等跨領(lǐng)域?qū)W科）的主題，還包括了AI道德倫理，AI和聯(lián)合國可持續(xù)發(fā)展等對人類社會如何在“人工智能后時代”長遠(yuǎn)發(fā)展的相關(guān)議題。
無論是在Workshop的選題還是Main Conference的分會場設(shè)置，總體來看，IJCAI作為人工智能領(lǐng)域首屈一指的年度盛會，已經(jīng)超越了傳統(tǒng)技術(shù)性層面的探究，在對如何促進(jìn)整個人類社會文明的進(jìn)步有著周全的考慮。這也是IJCAI作為整個人工智能行業(yè)旗艦會議，有別于其它更細(xì)領(lǐng)域的國際會議的地方。
在不離開探究最為前沿的人工智能學(xué)術(shù)本質(zhì)的同時，兼顧產(chǎn)業(yè)轉(zhuǎn)化和與外部世界的聯(lián)系和融合，盡可能地覆蓋更多相關(guān)領(lǐng)域，對整體社區(qū)的良性發(fā)展提供了足夠的內(nèi)外部條件支持。因此，這也是大會可以持續(xù)成功舉辦28屆，并逐年吸引超過更多人次參與的原因所在。
Workshop
在本次大會的Workshop部分，不同議題的日程安排較為密集，很多時間如果需要在感興趣的研究雨露均沾的顧及到，必須隨時做好串場的準(zhǔn)備。正如我在參會速遞中發(fā)出的內(nèi)容，本次會議我更多重點(diǎn)關(guān)注在各類機(jī)器學(xué)習(xí)相關(guān)算法及資源方面的進(jìn)展，同時兼顧部分CV和NLP領(lǐng)域的最新嘗試。
其中印象較為深刻的研究包括：Vijay等人發(fā)表的Vehicle Semantic Understanding forAutomated Driving in Multiple Lane Urban Roads using Deep Vision-based Features，他們利用一種新的語義分割框架來獲取車輛時間信息，并用利用這些初步的感知信息，使用基于規(guī)則的系統(tǒng)對相鄰車輛進(jìn)行語義理解，并獲得了優(yōu)于基線算法的結(jié)果。以及Boley等人在Big Social Media Data Management andAnalysis (BSMDMA)上展示了一個基礎(chǔ)的張量是如何通過對張量的slice進(jìn)行預(yù)計算而得到的，并對圖的各種重要度量進(jìn)行統(tǒng)一處理。由此引出計算度量的快速方法，如對給定節(jié)點(diǎn)的平均訪問次數(shù)，以及對單個節(jié)點(diǎn)的各種中心性和中間性度量，無論是對于一般的網(wǎng)絡(luò)，還是在需要避免節(jié)點(diǎn)子集的情況下。由此可以解決快速響應(yīng)網(wǎng)絡(luò)中主要瓶頸的查詢問題。
除此之外，在NLP領(lǐng)域，Natural Language Processing for Social Media（SocialNLP）研討會中關(guān)于EmotionX競賽任務(wù)也是短短幾天內(nèi)的關(guān)注點(diǎn)之一。其中發(fā)布了許多關(guān)于各類預(yù)訓(xùn)練模型的情感分析檢測方法，以及克服數(shù)據(jù)集中類別不平衡、數(shù)據(jù)集噪聲處理、模型復(fù)雜度優(yōu)化等問題的處理經(jīng)驗(yàn)等。例如Yu等人提出了一種基于殘差GRU和文本CNN的情緒檢測器，用于預(yù)測語篇中每句話的情緒，具有結(jié)構(gòu)簡單、易于訓(xùn)練等特性。
Yang等人提出了一種基于可轉(zhuǎn)移語言模型和動態(tài)最大匯聚的語境情感分類器，該分類器可以預(yù)測對話中每個話語的情感，并成功解決了EmotionX共享任務(wù)中存在的三個固有問題，即獲取虛擬信息、理解非正式文本對話和克服類不平衡問題。而在信息檢索及對話領(lǐng)域，Search-Oriented Conversational AI研討會吸引了學(xué)術(shù)界和產(chǎn)業(yè)界人士的關(guān)注。
清華大學(xué)的Minlie Huang針對現(xiàn)階段對話系統(tǒng)中存在的三個基本問題：語義、一致性和互動性進(jìn)行討論，并介紹了最近的一些智能對話系統(tǒng)的研究，例如：一個對話系統(tǒng)如何通過情感檢測和表達(dá)、主動提問和句子功能控制來表現(xiàn)出更強(qiáng)的交互性？對話系統(tǒng)如何通過使用常識性知識來理解和生成語言，從而實(shí)現(xiàn)更智能的行為？而來自Google的Xiaoxue Zan則重點(diǎn)介紹與構(gòu)建此類大規(guī)模虛擬助手相關(guān)的一些挑戰(zhàn)和實(shí)際考慮因素，以及Google通過新發(fā)布的Schema-guided Dialogue數(shù)據(jù)集以及解決相關(guān)領(lǐng)域問題的一些工作報告。這些都對正在研究或是從事NLP、信息檢索等相關(guān)領(lǐng)域人員擁有較大幫助。
同樣地，在13號主會中關(guān)于CV領(lǐng)域的研究部分，Piao等人在DeepLight-field-driven Saliency Detection from a Single View中首次將顯著性檢測問題轉(zhuǎn)化為兩個子問題：單視點(diǎn)光場合成問題和光場驅(qū)動顯著性檢測問題。并提出一個高質(zhì)量的光場合成網(wǎng)絡(luò)，以產(chǎn)生可靠的四維光場信息。在此基礎(chǔ)上，提出了一種基于光場驅(qū)動的顯著性檢測網(wǎng)絡(luò)，并在顯著性檢測的最大光場數(shù)據(jù)集中實(shí)驗(yàn)了多個各種具有挑戰(zhàn)性的場景，得到了理想的結(jié)果。Mao等人在Resolution-invariant PersonRe-Identification中通過端對端CNN學(xué)習(xí)聯(lián)合訓(xùn)練前景聚焦超分辨率（FFSR）模塊，和利用分辨率不變特征提取器（RIFE）來學(xué)習(xí)對分辨率方差具有魯棒性的人物表示，在CAVIAR和MLR-CUHK03上獲得了36.4％和73.3％的準(zhǔn)確度（排名第一），分別超過了超過先前的技術(shù)2.9％和2.6％。
Turtorial
而關(guān)于Tutorial部分，臺灣交通大學(xué)的Jen-Tzung Chien教授針對Deep Bayesian SequentialLearning進(jìn)行了詳細(xì)的原理介紹及其相關(guān)延伸知識點(diǎn)、變種及應(yīng)用進(jìn)行了講解。來自北京大學(xué)的Juntao Li和Rui Yan博士則對人工智能在文學(xué)領(lǐng)域的跨領(lǐng)域應(yīng)用進(jìn)行教程演講，針對文本生成和自動編寫進(jìn)行深入的探討，總結(jié)了現(xiàn)有的研究，并概述了相關(guān)的技術(shù)實(shí)現(xiàn)。重點(diǎn)聚焦在創(chuàng)作和藝術(shù)寫作的最新進(jìn)展和趨勢，包括故事，詩歌，對聯(lián)的流派等。
由于篇幅有限，本文摘錄部分如上所示，更多精彩請移步社區(qū)閱讀完整版。
https://ai.yanxishe.com/page/blogDetail/14371?from=leiphone
大家好，我是李雨茗，跟倪蘋是同事，現(xiàn)在也在利物浦大學(xué)擔(dān)任研究員，KFC是我的社區(qū)昵稱因?yàn)閻鄢?KFC 就直接起了這個名字。
感謝 AI研習(xí)社給我們提供了一個交流和分享的平臺，可以讓我們通過發(fā)帖和泡泡等形式相互交流，共同進(jìn)步。當(dāng)然最感謝AI研習(xí)社的頂會贊助計劃，進(jìn)入研習(xí)社以來我通過分享學(xué)習(xí)筆記，搬運(yùn)最新研究進(jìn)展，發(fā)泡泡，邀請好友加入等形式獲得了七百多研值，讓我得以有機(jī)會接觸學(xué)界大佬，跟進(jìn)最新的學(xué)術(shù)動態(tài)，并為接下來的發(fā)展定下方向和目標(biāo)，刷研值的過程不僅是為了發(fā)表，還是對知識的回顧整理和重新加工，是一個和有共同愛好和共同目標(biāo)的人們接觸和交流的機(jī)會，十分有意義。希望越來越多的人可以加入研習(xí)社，一起探討共同向前。
歡迎大家掃碼關(guān)注我的社區(qū)主頁：
上周，我有幸參加了由 AI 研習(xí)社贊助出行的第 28 屆國際人工智能組織聯(lián)合會議 IJCAI 2019（International Joint Conference class="" _src="https://notecdn.yiban.io/cloud_res_dev/79539/imgs/19-8-23_06:32:40.103_58311.jpeg" style="max-width: 100%; border-style: solid; border-width: 0px; box-shadow: none; visibility: visible !important;">
此次大會邀請了許多業(yè)內(nèi)大佬進(jìn)行演講，包括周志華，Kiroaki Kitano 等人。
Workshop 在同一時間段會展開多個主題場次，我根據(jù)提前給出的 workshop 流程單，按照自己感興趣的 present 主題在多個會場之間來回穿梭。具體的文章領(lǐng)悟，心得體會如下文所述：
在 12 日的 Scaling-Up Reinforcement Learning (SURL) Workshop 中，來自奧地利 Know-Center – Graz 的 Adrian Remonda 等人的文章「Formula RL: Deep Reinforcement Learning for Autonomous Racing usingTelemetry Data」令我印象深刻，該文章探討了強(qiáng)化學(xué)習(xí) (RL) 模型在自動賽車競賽中的應(yīng)用。與日常情況不同的是，本文環(huán)境下賽車的目標(biāo)是把停車時間降到最低。作者將問題框定為一個具有多維輸入的強(qiáng)化學(xué)習(xí)任務(wù)，包括車輛遙測和一個連續(xù)的動作空間。找出哪些 RL 方法更好的解決這個問題, 是否獲得模型推廣到行駛在未知的追蹤, 實(shí)驗(yàn)部分把深層決定性策略梯度 (DDPG) 比賽在「研究 RL 方法學(xué)會駕駛賽車」，「學(xué)習(xí)如何學(xué)習(xí)場景模型泛化能力的影響」兩個實(shí)驗(yàn)中進(jìn)行驗(yàn)證，學(xué)習(xí)如何學(xué)習(xí)場景模型泛化能力的影響。該研究表明，使用 RL 訓(xùn)練的模型不僅能夠比基準(zhǔn)的開源手工機(jī)器人駕駛得更快，而且還可以推廣到未知的領(lǐng)域。另外感興趣的點(diǎn)在于該文章提出了一個全面的研究，將 RL 方法應(yīng)用于自動駕駛汽車并僅依賴于汽車遙測數(shù)據(jù)。其通過實(shí)驗(yàn)證明了獲得的模型優(yōu)于目前最先進(jìn)的手工模型。結(jié)果還表明，PER1M(優(yōu)先重放體驗(yàn)，重放緩沖區(qū)大小為 1M) 是復(fù)雜軌跡中性能最好的算法。最重要的是，結(jié)果證明了作者提出的超前曲線方法 (LAC) 提高了模型在自動賽車場景中的性能。作者的成果對使用強(qiáng)化學(xué)習(xí)的線路優(yōu)化問題做出了貢獻(xiàn)。在結(jié)尾處，作者對其團(tuán)隊的 future work 給出以下方向，首先進(jìn)一步研究如何生成這樣一個通用的模型，在不可見的軌道上取得相對較高的性能，并看看針對特定軌道進(jìn)行進(jìn)一步的訓(xùn)練將如何影響性能和縮短訓(xùn)練時間。使這些通用模型健壯并更快地學(xué)習(xí)的一種方法是使用預(yù)定義的操作來訓(xùn)練模型。其次計劃研究在培訓(xùn)過程中，研究是否可以在不使用任何參考線的情況下培訓(xùn)模型。在這項(xiàng)工作中，期望利用 TORCS 作為一個模擬環(huán)境，這足以評估先前提出的假設(shè)，并證明新方法的能力。該 futurework 可供感興趣的同學(xué)后續(xù)深入研究。
還有一個值得推薦的是在「Natural Language Processing for Social Media」Workshop 上來自 Purdue University 的博士生 Tunazzina Islam 帶來的「Ex-Twit: ExplainableTwitter Mining>
結(jié)合主題建模和局部可解釋模型無關(guān)解釋 (LIME) 來預(yù)測主題和解釋模型預(yù)測，并在 Twitter 健康相關(guān)數(shù)據(jù)上證明了 Ex-Twit 的有效性。眾所周知，Twitter 作為國際知名的社交網(wǎng)絡(luò)，人們每天都用它來表達(dá)對不同話題的看法，比如產(chǎn)品、電影、健康、音樂、政治人物、事件等等。Twitter 數(shù)據(jù)構(gòu)成了一個豐富的源，可以用于捕獲任何可以想象到的主題的信息。這些數(shù)據(jù)可以在不同的用例中使用，例如查找與特定關(guān)鍵字相關(guān)的趨勢、度量品牌人氣以及收集關(guān)于新產(chǎn)品和服務(wù)的反饋。同時，大多數(shù)機(jī)器學(xué)習(xí)算法的問題在于，它們被設(shè)計成通過訓(xùn)練實(shí)例進(jìn)行訓(xùn)練，而它們的預(yù)測對人類來說是模糊的（即黑盒效應(yīng)）。信任是一個至關(guān)重要的問題?？山忉?AI (Explainable AI, XAI) 在一定程度上提供了決策的詳細(xì)解釋，這些解釋對于保證機(jī)器學(xué)習(xí)算法的公平性和識別訓(xùn)練數(shù)據(jù)中的潛在偏差具有重要意義。作者將以上兩個問題結(jié)合在一起，從日常角度出發(fā)，提出了一種結(jié)合 LDA 和 LIME 的可解釋 Twitter 挖掘方法，并成功地證明了 Ex-Twit 在 Twitter 健康相關(guān)數(shù)據(jù)上解釋模型預(yù)測的有效性。作者在最后提出，在未來希望添加更多的 tweet 來進(jìn)一步驗(yàn)證該的方法并觀察可伸縮性。
由于篇幅有限，本文摘錄部分如上所示，更多精彩請移步社區(qū)閱讀完整版。
https://ai.yanxishe.com/page/blogDetail/14370?from=leiphoneli
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))
