一文告訴你,NIPS 2017有多火爆 | 附PPT、視訊、程式碼大總結
原文來源:Medium、GitHub
作者:TarasSereda
「雷克世界」編譯:嗯~阿童木呀、KABUDA
今年的NIPS是一場盛大的、極富教育意義和探索精神的、魅力十足且人數眾多的會議。
第一步,登記排隊
量子計算機
Tutorials
深度學習:實踐與趨勢
我參加了“趨勢”部分,我所看到的讓我感到好笑,首先,我認為這個tutorial不適用於初學者(這是一種抽象說法)。可以說,它是一個結構良好,更加適用於深度學習從業者的產品導向材料。主要趨勢是:域調整/適應;基於圖形的神經網路、程式歸納等。從I/O、模型架構和損失的角度分析了每種趨勢。Orilo Vinyals還介紹了主要的Mete方法:
視訊: https://www.youtube.com/watch?v=YJnddoa8sHk
使用概率程式、程式歸納和深度學習的工程與可逆工程智慧
概率程式設計是非常出色的,但或許出於其複雜性的原因,它的應用並不廣泛。它為你提供了一種以概率方式描述問題的途徑,這是現實世界的自然表現。你可以在引數、模型輸入和輸出中編碼不確定性,並獲得一組程式執行的預估痕跡。
這個領域正在快速發展,並且可為你提供大量工具。我認為使用概率程式設計領域的想法可以幫助解決在追蹤對抗樣本方面的問題。
未來的研究方向包括:
•與深度學習的融合
•為蒙特卡洛推理建立快速的執行時間(“BLAS”for Monte Carlo)
助力未來100年——受邀嘉賓John Platt所帶來的的演講。
鼓舞人心的想法和分析——關於將聚變作為能源來源的重要性。此外,作者還提供了一個互動式工具的連結,你可以在其中使用不同比例的能源及其組合來滿足約束條件。
為了使聚變能夠成功,有許多事情要做。首先它應該消耗更多的能量,這個過程應該是可擴充套件的,對於終端使用者來說它是最重要的因素。據估計,到2020年,這些先決條件中的一部分應該會是非常充分的。
詳盡的陳述
配對資料影象翻譯
注意機制的規劃和可替代方案
雙曲空間中的分層嵌入
注意(Attention)是你所需要的
研討會
音訊訊號處理的機器學習(ML4Audio)
http://media.aau.dk/smc/ml4audio/
傑出的音訊研究員研討會
聲學詞嵌入。目標——在一些高緯度的空間中建立一種表示,其中,相似的口語詞彼此之間的距離較小。這個問題比文字域要複雜得多。因為人們說一個單詞的方式是多種多樣的。相應的波形因揚聲器而異,也取決於韻律和材質。長短期記憶網路(LSTM)可用於生成一個口語詞的固定長度向量表示,還可以用於模擬嵌入空間的對比損失技術。這種方法也是多視角的,這意味著字元和聲音的表現是共模的。
論文:https://arxiv.org/abs/1611.04496
程式碼: https://github.com/opheadacheh/Multi-view-neural-acoustic-words-embeddings
谷歌的玩家在Tacotorn TTS模型上展示了一些改進,這些模型可以捕捉說話者的風格。其主要思想是學習一個“風格原子詞彙”(style atomic vocabulary),並使用“風格原子”的線性組合形成一個風格向量,作為生成下一個波形時間步長的條件。調節是通過注意機制來實現的。通過簡單預測風格向量的標量權重,完全連線層被用來決定應該將在哪種型別的文字注意(textattention)和風格注意(style attention)進行混合。
可用樣品:
https://google.github.io/tacotron/publications/uncovering_latent_style_factors_for_expressive_speech_synthesis/index.html
機器學習的創意和設計
學習解構特徵:從感知到控制
這個研討會探討的主要話題是關於可控生成模型,1年前只有InfoGAN被提出(據我所知),現在有更多的想法被提出來。其中之一是ß-VAE,當KL損失項被加權時,其只傳遞使編碼資料發生變化的資訊,以便約束資訊瓶頸(informationbottleneck)被分離。
這個領域是尚沒有人的經驗可以借鑑,因此沒有常見的方式來衡量分離程度,DeepMind提出了改進ß-VAE和新分離程度的度量方法。
今年在加州長灘會議中心舉行的2017年神經資訊處理系統(NIPS)會議可謂是有史以來最大的一次會議!以下是所有受邀嘉賓的演講、教程和研討會的資源及幻燈片清單。
內容包括以下幾個方面:
1.受邀嘉賓演講
2.教程
3.研討會
4.WiML
受邀嘉賓演講
•助力未來100年——John Platt
•為什麼人工智慧夠使人類基因組重程式設計成為可能——Brendan J Frey
視訊連結:https://www.youtube.com/watch?v=QJLQBSQJEus
•偏差所帶來的問題——Kate Crawford
視訊連結:https://www.youtube.com/watch?v=fMym_BKWQzk
•結構的不合理有效性——Lise Getoor
視訊連結:https://www.youtube.com/watch?v=t4k5LKCpboc
•機器人深度學習——Pieter Abbeel
幻燈片連結:https://www.dropbox.com/s/fdw7q8mx3x4wr0c/2017_12_xx_NIPS-keynote-final.pdf
視訊連結:https://www.youtube.com/watch?v=po9z_tMuEwE
•學習狀態表徵——Yael Niv
•貝葉斯深度學習與深度貝葉斯學習——Yee Whye Teh
視訊連結:https://www.youtube.com/watch?v=9saauSBgmcQ
•AlphaZero—掌握沒有人類知識的遊戲——DavidSilver
視訊連結:https://www.youtube.com/watch?v=A3ekFcZ3KNw
Tutorial
•深度學習:實踐與趨勢——Nando de Freitas、Scott Reed、Oriol Vinyals
幻燈片連結:https://docs.google.com/presentation/d/e/2PACX-1vQMZsWfjjLLz_wi8iaMxHKawuTkdqeA3Gw00wy5dBHLhAkuLEvhB7k-4LcO5RQEVFzZXfS6ByABaRr4/pub?slide=id.p
視訊連結:https://www.youtube.com/watch?v=YJnddoa8sHk
•Reinforcement Learningwith People——Emma Brunskill
視訊連結:https://www.youtube.com/watch?v=TqT9nIx27Eg
•優化運輸的初級入門——Marco Cuturi、Justin M Solomon
幻燈片連結:https://www.dropbox.com/s/55tb2cf3zipl6xu/aprimeronOT.pdf
•用高斯過程進行深度概率建模——Neil D Lawrence
幻燈片連結:http://inverseprobability.com/talks/lawrence-nips17/deep-probabilistic-modelling-with-gaussian-processes.html
•機器學習的公平性——Solon Barocas、Moritz Hardt
幻燈片連結:http://mrtz.org/nips17/#/
•統計關係人工智慧:邏輯,概率和計算——Luc De Raedt、David Poole、Kristian Kersting、Sriraam Natarajan
•使用概率程式、程式歸納和深度學習進行的工程和可逆工程智慧——Josh Tenenbaum、Vikash K Mansinghka
•可微私有機器學習:理論、演算法和應用——Kamalika Chaudhuri、Anand D Sarwate
幻燈片:http://www.ece.rutgers.edu/~asarwate/nips2017/NIPS17_DPML_Tutorial.pdf
•關於圖和流形的幾何深度學習——Michael Bronstein、Joan Bruna、arthur szlam、Xavier Bresson、Yann LeCun
研討會
1. 2017機器學習系統研討會(http://learningsys.org/nips17/index.html)
與會嘉賓:Aparna Lakshmiratan、Sarah Bird、Siddhartha Sen、Christopher Ré、Li Erran Li、Joseph Gonzalez、Daniel Crankshaw
•用於新興AI應用程式的分散式執行引擎——Ion Stoica
•學習資料庫索引的案例
•聯合多工學習——Virginia Smith
連結:http://learningsys.org/nips17/assets/slides/mocha-NIPS.pdf
•在資料中心規模上加速永續性神經網路——Daniel Lo
連結:http://learningsys.org/nips17/assets/slides/brainwave-nips17.pdf
DLVM:神經網路DSL的現代編譯器框架——RichardWei、Lane Schwartz、Vikram Adve
連結:http://learningsys.org/nips17/assets/slides/dlvm-nips17.pdf
•系統性機器學習系統和機器學習系統——Jeff Dean
連結:http://learningsys.org/nips17/assets/slides/dean-nips17.pdf
•使用ONNX為AI模型建立一個開放靈活的生態系統——Sarah Bird、Dmytro Dzhulgakov
連結:http://learningsys.org/nips17/assets/slides/ONNX-workshop.pdf
•NSML:一個能夠讓你專注於你的模型機器學習平臺——Nako Sung
連結:http://learningsys.org/nips17/assets/slides/nsml_slides.pdf
•DAWNBench:一個端到端的深度學習基準和競爭機制——Cody Coleman
連結:http://learningsys.org/nips17/assets/slides/dawn-nips17.pptx
2.貝葉斯深度學習(http://bayesiandeeplearning.org/)
與會人員:Yarin Gal、José Miguel Hernández-Lobato、Christos Louizos、Andrew GWilson、Diederik P、(Durk) Kingma、Zoubin Ghahramani、Kevin P Murphy、Max Welling
•為什麼你不使用概率程式設計呢?——Dustin Tran
連結:http://dustintran.com/talks/Tran_Probabilistic_Programming.pdf
•用馬蹄形先驗(HorseshoePriors)在BNN中進行自動模型選擇——Finale Doshi
•用於分散式學習、不確定性量化和壓縮的深度貝葉斯——Max Welling
•作為近似貝葉斯推理的隨機梯度下降——Matt Hoffman
•自迴歸生成模型的新進展——Nal Kalchbrenner
連結:https://drive.google.com/file/d/11CNWY5op_J5PvP02J9g8tciAom-MW9MZ/view
•深度核心學習——Russ Salakhutdinov
•用反向傳播進行的貝葉斯推理——Meire Fortunato
•深度學習層如何通過隨機梯度下降來收斂到資訊瓶頸限制?——Naftali (Tali) Tishby
3.學習有限的標記資料:弱監督和超監督(https://lld-workshop.github.io/)
與會人員:Isabelle Augenstein、Stephen Bach、Eugene Belilovsky、Matthew Blaschko、Christoph Lampert、Edouard Oyallon、Emmanouil Antonios Platanios、Alexander Ratner、ChristopherRé
•Welcome Note
連結:https://lld-workshop.github.io/slides/opening.pdf
•功能磁共振成像啟發:從有限的標記資料中學習——GaëlVaroquaux
連結:https://lld-workshop.github.io/slides/gael_varoquaux_lld.pdf
•從有限的標記資料學習(但存在很多未標記的資料)——Tom Mitchell
連結:https://lld-workshop.github.io/slides/tom_mitchell_lld.pdf
•結構化預測能量網路的光監督——Andrew McCallum
連結:https://lld-workshop.github.io/slides/andrew_mccallum_lld.pdf
•強制神經連線預測器的按則播放——Sebastian Riedel
連結:https://lld-workshop.github.io/slides/sebastian_riedel_lld.pdf
•小組:醫學成像中有限的標記資料——Daniel Rubin、Matt Lungren、Ina Fiterau
連結:https://lld-workshop.github.io/slides/radiology_panel_lld.pdf
•樣本和計算有效的主動學習演算法——Nina Balcan
連結:https://lld-workshop.github.io/slides/nina_balcan_lld.pdf
•這並不明智!對模型解釋進行積極註釋的個案研究——Sameer Singh
連結:https://lld-workshop.github.io/slides/sameer_singh_lld.pdf
•用生成式對抗網路克服有限的資料——Ian Goodfellow
連結:http://www.iangoodfellow.com/slides/2017-12-09-label.pdf
•自然語言理解的難點在哪裡?——Alan Ritter
連結:https://lld-workshop.github.io/slides/alan_ritter_lld.pdf
•結束語
連結:https://lld-workshop.github.io/slides/closing.pdf
座談會
1.可解釋的機器學習
連結:http://interpretable.ml/
與會人員:Andrew G Wilson、Jason Yosinski、Patrice Simard、Rich Caruana、William Herlands
•因果關係在可解釋性中所發揮的作用——Bernhard Scholkopf
幻燈片連結:http://s.interpretable.ml/nips_interpretable_ml_2017_Bernhard_Schoelkopf.pdf
視訊連結:https://www.youtube.com/watch?v=9C3RvDs_hHw
•大型影象資料集中的可解釋性發現——Kiri Wagstaff
幻燈片連結:http://s.interpretable.ml/nips_interpretable_ml_2017_kiri_wagstaff.pdf
視訊連結:https://www.youtube.com/watch?v=_K2wVfi_KDM
•(隱藏的)校準成本——Bernhard Scholkopf
幻燈片連結:http://s.interpretable.ml/nips_interpretable_ml_2017_Kilian_Weinberger.pdf
•小組討論會
連結:https://www.youtube.com/watch?v=kruwzfvKt3w
主持人為Rich Caruana,與會人員:Hanna Wallach、Kiri Wagstaff、Suchi Saria、Bolei Zhou和Zack Lipton。
•人工智慧安全的可解釋性——Victoria Krakovna
幻燈片連結:http://s.interpretable.ml/nips_interpretable_ml_2017_victoria_Krakovna.pdf
視訊連結:https://www.youtube.com/watch?v=3HzIutdlpho
•操作和測量模型的可解釋性——Jenn Wortman Vaughan
幻燈片連結:http://s.interpretable.ml/nips_interpretable_ml_2017_jenn_wortman_vaughan.pdf
視訊連結:https://www.youtube.com/watch?v=8ZoL-cKRf2o
•除錯機器學習管道——Jerry Zhu
幻燈片連結:http://s.interpretable.ml/nips_interpretable_ml_2017_jerry_zhu.pdf
視訊連結:https://www.youtube.com/watch?v=XO2281l_JVw
•小組辯論和後續討論
連結:https://www.youtube.com/watch?v=2hW05ZfsUUo
與會人員:Yann LeCun、Kilian Weinberger、Patrice Simard和Rich Caruana。
WiML
•貝葉斯機器學習:量化不確定性和規模化上的魯棒性——Tamara Broderick
•用於堅守領域的以通訊為中心的多智慧體深度強化學習——Aishwarya Unnikrishnan
•圖卷積網路可以在基因組學的深度學習模型中編碼三維基因組體系結構——Peyton Greenside
•社會科學機器學習——Hannah Wallach
•公平意識建議——Palak Agarwal
•具有損壞性獎勵通道的強化學習——Victoria Krakivna
•改善健康保健:強化學習所面臨的挑戰和機遇——Joelle Pineau
•在深度學習中利用對抗性攻擊提高魯棒性——Zhenyi Tang
•時序要求嚴格的機器學習——Nina Mishra
•用於評估重複拍賣中調出機制的通用框架——Hoda Heidari
•參與專家:在社會科學中應對應對發散引起先驗的狄利克雷過程處理方法(A Dirichlet Process Approach to Divergent Elicited Priors)——SarahBouchat
•大型歸屬圖的表徵學習——Nesreen K Ahmed
幻燈片連結:https://www.slideshare.net/NesreenAhmed2/representation-learning-in-large-attributed-graphs
AI先鋒
ID:EnlightAI
關注人工智慧行業發展,介紹人工智慧技術與產品
相關推薦
一文告訴你,NIPS 2017有多火爆 | 附PPT、視訊、程式碼大總結
原文來源:Medium、GitHub作者:TarasSereda「雷克世界」編譯:嗯~阿童木呀、
一文告訴你,Intellij IDEA神器隱藏的11種實用小技巧!
作者:Sam哥哥聊技術原文連結:https://my.oschina.net/samgege/b
從FPN到Mask R-CNN,一文告訴你Facebook的計算機視覺有多強
翻譯 | 人工智慧頭條(ID:AI_Thinker) 參與 | 林椿眄 本文概述了 Facebook AI Research(FAIR)近期在計算機視覺領域的研究進展,內容主要包括基礎結構模組的創新、卷積神經網路、one shot 檢測模組等,以及一些在例項
一文告訴你Adam、AdamW、Amsgrad區別和聯絡,助你實現Super-convergence的終極目標
序言:Adam自2014年出現之後,一直是受人追捧的引數訓練神器,但最近越來越多的文章指出:Adam存在很多問題,效果甚至沒有簡單的SGD + Momentum好。因此,出現了很多改進的版本,比如AdamW,以及最近的ICLR-2018年最佳論文提出的Adam改進版Am
一文告訴你Java日期時間API到底有多爛
![](https://img-blog.csdnimg.cn/20210122055731839.png#pic_center) # 前言 你好,我是A哥(YourBatman)。 好看的程式碼,千篇一律!難看的程式碼,臥槽臥槽~其實沒有什麼程式碼是“史上最爛”的,要有也只有“史上更爛”。 日期是商
一文告訴你 Java RMI 和 RPC 的區別!
RPC 遠端過程呼叫 RPC(Remote Procedure Call Protocol)遠端過程呼叫協議,通過網路從遠端計算機上請求呼叫某種服務。一次RPC呼叫的過程大概有10步: 1.執行客戶端呼叫語句,傳送引數 2.呼叫本地系統傳送網路訊息 3.訊息傳送到遠端主機 4.伺
一文告訴你如何匯出 Git 變更檔案
有時候我們想匯出某次版本提交時有哪些變更的檔案,在 svn 中有一個 export 功能,很方便,如下圖所示。 在 Git 中我也找到了以下兩種方法。 方法1 使用 git 自帶命令 git archive, 語法如下。 git archive -o c:
心得丨一文告訴你想學資料分析該讀什麼書、從哪本讀起
作者:三郎 因工作原因要學習一些資料的知識,從人人都是產品經理網站上並沒有找到一篇從入門到進階成體系的文章,且查詢的分享都是資料體系中一個分支的分支,整體看起來煙霧繚繞,經一位前輩點播還是先從書籍中建立整體的認知再看這些碎片化的知識,才能更有體會(手動@前輩譚小超,私聊的感受就是人的超級平易近人,受
AI演算法起家的今日頭條為何敗給了色情?一文告訴你機器學習何以搞不定鑑黃
12月29日,國家網際網路資訊辦公室在官網釋出訊息稱,針對今日頭條、鳳凰新聞手機客戶端持續傳播色情低俗資訊、違規提供網際網路新聞資訊服務等問題,要求北京市網際網路資訊辦公室分別約談兩家企業負責人,責令企業立即停止違法違規行為。 對此,今日頭條乖乖表示,依據有關部門的整
一文告訴你Linux如何配置KVM虛擬化--安裝篇
KVM全稱"Kernel-based Virtual Machine",即基於核心的虛擬機器,在linux內啟用kvm需要硬體,核心和軟體(qemu)支援,這篇文章教你如何配置並安裝KVM虛擬機器. * 檢查硬體和系統的相容性 * 檢查硬體虛擬化:```LC_ALL=C lscpu | grep Vi
MBA 告訴你商業保險水有多深,購買需慎重(不看後悔)
本帖最後由 匿名 於 2012-11-29 09:24 編輯 轉自:http://bbs.yycqc.com/thread-222561-1-1.html 保險?不保險?郎鹹平稱保險就是搞傳銷!!!MBA告訴你商業保險的騙局 保險絕對不是什麼善,有人說過中國賣保險的都是騙子,買保險的都是傻子,一點沒錯
悄悄告訴你,在矽谷,有一種工作比程式設計師掙得多
不管在上地、南山還是矽谷,程式設計師從來都是高薪的代名詞。即使是兩年前,矽谷的實習工程師的年薪就已經達到了81600美元(超過人民幣56萬),相當於美國平均工資的兩倍。 不過,程式設計師並不是美國科技公司裡薪資最高的工種。 產品錦鯉年薪百萬 招聘網站Hired根據其平臺上以美國為主的諸多
什麼,這些人你還不認識?!一文帶你有姿勢地侃深度學習大佬
大資料文摘作品編譯:餘志文,笪潔瓊,錢天培近幾年間,深度學習的興起造就了一批超級巨星。一向在學術
詳細到沒朋友,一文幫你理清Linux 用戶與用戶組關系~
Linux1、用戶和用戶組文件在 linux 中,用戶帳號,用戶密碼,用戶組信息和用戶組密碼均是存放在不同的配置文件中的。在 linux 系統中,所創建的用戶帳號和其相關信息 (密碼除外) 均是存放在 / etc/passwd 配置文件中。由於所有用戶對 passwd 文件均有讀取的權限,因此密碼信息並未保存
Java I/O不迷茫,一文為你導航!
servers 當我 取數據 地址空間 緩沖 else if 類名 odi 連接 前言:在之前的面試中,每每問到關於Java I/O 方面的東西都感覺自己吃了大虧..所以這裏搶救一下..來深入的了解一下在Java之中的 I/O 到底是怎麽回事..文章可能說明類的文字有點
[轉]資本經營董事長班告訴你:不只企業有商業模式,個人商業價值更重要
height 過程 滿足 描述 地產 價值 完成 服務 品牌 本文轉自:http://blog.sina.com.cn/s/blog_181b5b47e0102xz4v.html 東方財智-資本經營董事長班>>> 經營者如何輕松駕馭金融工具為企業發展加
★★如何從一名程式設計師小白蛻變到今天,讓一位過來人告訴你,★★
嵌入式技術執行專用功能並被內部計算機控制的裝置或者系統。嵌入式系統不能使用通用型計算機,而且執行的是固化的軟體,用術語表示就是韌體(firmware),終端使用者很難或者不可能改變韌體。 ………………………………………………………………………………………………………… 嵌入式非常難,如何學習
一文帶你快速瞭解最火的數字經濟(大資料、人工智慧等都有)
人工智慧行業應用加速(暴富機會由“網際網路+”轉向AI+) “網際網路+”紅利已開發將盡,未來,新的暴富紅利將由“人工智慧”接棒。從產業演進看,科技巨頭正加速全球化併購,打造AI生態閉環,開源化也將成為全球性趨勢。開源化使得人工智慧的行業運用門檻急遽降低,未來幾年將迎來人工智慧行業應用浪潮。 2
某高校計算機程式設計教授教你如何快速入門python,一文帶你進入程式設計
如何快速入門Python 學習任何一門語言都是從入門(1年左右),通過不間斷練習達到熟練水準(3到5年),少數人最終能精通語言,成為執牛耳者,他們是金字塔的最頂層。雖然萬事開頭難,但好的開始是成功的一半,今天這篇文章就來談談如何開始入門 Python。只要方向對了,就不怕路遠。 設定目標
一種告訴你圖片裡馬冬梅,冬馬梅分別在哪裡的演算法,YOLO演算法2016論文筆記
寫在最前面 作者Joseph Redmon是我曾經的男神。作為當時學深度學習時亮到我的文章(他的官網也是“亮”到了我),我決定第一篇論文筆記就寫這篇YOLO演算法論文。對於一張影象,其中的物體可能很多,如何識別其中物體是什麼,在哪裡,就要看這篇代表作品了。 論文名 Y