|
金融、医疗、家庭生活……人工智能的“触角”已经深入各行各业，在这场席卷世界的智能革命中，理论和实践如同引航灯，逐渐点亮人工智能未知领域。在各种顶级会议的加持下，人工智能的“通天之塔”正拔地而起。 2月4日-9日2017AAAI国际智能大会在美国旧金山召开，被 CCF 评选为 A 类学术会议的AAAI一直是人工智能界的研究风向标，在学术界久负盛名。本届AAAI吸引了5000 的各大高校和研究院的AI学者参与，从机器算法讨论到人工智能与宇宙探索，在短短5天的议程内，从2,590 篇论文中评选出8篇最佳论文，值得关注的是，所提交的论文中超30%来自中国，兴许过不了几年AAAI（美国人工智能大会）怕是要变成Association for Asian Artificial Intelligence了。 言归正传，无标签的监督学习能否实现？人工智能能否做出符合人类社会的道德决策？无人车将有怎样的发展？在速食主义的当下，我们或难以细细品读每篇论文的观点论据，但此番文海拾贝必能窥见本届AAAI的要点。  | 最具前瞻性的三篇论文 我们将为各位技术饕客推荐这三篇论文：“最佳论文”可以说是AAAI的评选“花魁”，同样引领当年人工智能的浪潮，行业人士不可不看。“学生最佳论文”则提出了机器学习的瓶颈——时间抽象，如何让机器了解“时间”的概念？这将成为人工智能发展的下一个课题。而“经典论文”奖项则授予蒙特卡洛定位，这一研究专注于机器人的位置可信度领域，在保留了表征任意分布的能力后得出实验结果。 最佳论文： 最佳论文是此次大会最重磅的奖项，今年花落斯坦福大学Russell Steward以及其导师Stefano Drmon撰写的论文《Label-Free Supervision of Neural Networks with Physics and Domain Knowledge》（利用用物理和特定领域知识进行无标签的神经网络监督） 该论文引入了一种新的神经网络监督学习方法，在没有任何带标签的训练样本的情况下，成功训练出一个卷积神经网络来检测和跟踪对象。 实验中，作者约束隐藏变量的类型级语义进行实验，并对比了传统的神经网络监督学习方法，提出代数和逻辑等这些必要约束的过程可能仍需要大量的域特定工程。在没有任何带标签的训练样本的情况下，发现相比传统监督学习方法，没有标签的训练样本可以实现减少标记工作量以及作为一组单一的约束可以应用于多个数据集而不重新标记。  原论文地址： http://www./Conferences/AAAI/2017/PreliminaryPapers/12-Stewart-14967.pdf 学生最佳论文： 该奖项颁给了麦吉尔大学的由Pierre-Luc Bacon、Jean Harb和Doina Precup所著的《The option-critic architecture》（最Option-Critic结构）。 该论文提到了时间抽象（temporal abstraction）是在增强学习中对学习和规划进行扩展的关键。虽然时间上延伸（temporally extended）的动作框架有很好的理解，但从数据中自动学习这样的抽象是个挑战。传统的方法是用 options 框架中处理这个问题。作者为 option 得出了策略梯度定理，并提出了一个新的 option-critic 结构。  原论文地址： http://rll./deeprlworkshop/papers/BaconPrecup2015.pdf 经典论文： 经典论文颁给了《Monte Carlo Localization: Efficient Position Estimation for Mobile Robots》（蒙特卡洛定位：对移动机器人的有效定位估算），作者为Dieter Fox, Wolfram Burgard, Frank Dell。该论文开创了粒子滤波（particle filtering）的应用，为机器人定位提供了一个有效和可扩展的方法。 蒙特卡洛定位（MCL）是markov定位的一种版本，一个最近被成功应用的概率统计方法家族成员。相比传统算法计算复杂、需要妥协成粗粒度解决办法来说，MCL方法从计算上来说很有效率，同时保留了呈现基乎任意分配的能力。MCL应用了以样本基础的方法估算概率分布，这样就把就算放在了需要它的地方。一定数量的样本从网上取得，因此只在必须是调用巨大样本。质性结果表明，跟之前的方法相比，MCL产益提高了准确度并且在减轻运算量的情况下保证量级序列的需求。并且，MCL也更容易实施应用。  原论文地址： http://101.96.8.164/courses.cs.washington.edu/courses/cse473/01sp/project2/sampling.pdf | 最不容错过的大佬演讲 除评选出年度最佳论文外，大会在为期几天的会程中，还邀请了众多学界大咖进行演讲，下面整理了麻省理工教授Rosalind Picard、美国国家航空航天局研究员Jeremy Frank、谷歌首席科学家Vincent Vanhouke及百度副总裁王海峰等大佬的主题演讲，一方面可见学术界的理论研究，另一方面巨头厂商的实践经验也格外宝贵。 1、MIT研发信号处理和机器学习技术去发明有情商的科技，可以感知、识别并聪明的回应人类的情绪反应。在一些新方法中，机器可以区分真笑假笑，摄像机、手机甚至背包能对人类的生理信号进行编码运算，挖掘大脑深层活动，感知人类的孤独，焦虑，睡眠，记忆，癫痫和更多情况。 ——Rosalind Picard(MIT and Empatica, USA) 《Adventures in Building Emotional Intelligence Technologies 》（对建立情绪智能科技的探索） 2.未来，航天员将需要如AI一样智慧的工具，来摆脱对地面任务的依赖，并进行自主决策。以AI支撑的决策支持工具有自动计划、错误诊断、自动判断和机器学习，而这些发展将会促成一个更有人道主义的火星探索。 ——Jeremy Frank (Intelligent Systems Division, NASA Ames Research Center)《Enabling Autonomous Space Mission Operations with Artificial Intelligence 》（用人工智能促成自主太空任务运行） 3. 图像识别的现状是通过一系列的靠人类注解者标注的无关联网络图片来学习。但是认知科学告诉我们，认知发展是没有密集监督的。一系列验证表明，机器学习系统只简单观看完无标签的拍摄视频后，就能够模仿人类摄录员的趋势，自动通过全景摄制，生成普通领域的视觉影像。 ——Kristen Grauman (University of Texas at Austin, USA)《Learning How to Move and Where to Look from Unlabeled Video》 (通过无标签视频，机器学习怎样动，怎样看） 4. 现在，机器视觉、机器翻译、语音识别等能力已能比肩人类，但数据稀缺，机器技能转换以及持续活跃的学习仍然是深度学习亟待解决的问题，要解决这一点，需要现在的机器学习从业者跳出监督学习的舒适区，人工智能从理论到实践的必要下一步。 ——Vincent Vanhouke (Google首席科学家)《OK Google, fold my laundry s'il te pla?t》（好的谷歌，请折折我的衣服） 5.NLP是人工智能中最为困难的问题之一。百度公司十分重视该领域的研发，不仅在基于大数据、机器学习和语言学方面的积累上研发了针对NLP的知识图谱，并大量分析、理解语言、段落及篇章，陆续建立和完善了机器翻译和对话系统。依托百度得天独厚的用户和数据优势，自然语言处理技术得到深厚积累，并已经应用在百度的搜索、Feed、o2o等众多产品上。 ——王海峰（百度副总裁）《Natural Language Processing at Baidu》（百度的自然语言处理） 在此奉上大会最全的官方内容包以及数百篇提名论文，不说多了，这里最全： 论文： http://www./Conferences/AAAI/2017/aaai17accepted-papers.pdf AAAI官方内容包： http://www./Conferences/AAAI/2017/aaai17program.pdf 以上资料来源网络公开报道 |
|
|
