|
为了挖掘在AI与社会研究交叉领域有想法的研究者，促进思维碰撞，腾讯研究院S-Tech工作室与集智俱乐部共同打造了“AI&Society”的系列学术沙龙活动。 AI&Society 第八期：图网络 主题：图网络——融合推理与学习的全新深度学习架构 时间：7月15日（周日）14:00-17:00 地点：北京 腾讯研究院 前不久，DeepMind联合Google Brain以及MIT等机构一共27位作者在arXiv上提交了一篇题为《Relational inductive biases, deep learning, and graph networks》的文章引起了人工智能学术界与工业界的广泛关注。 我们都知道，现实世界中的大量问题都可以抽象成图模型（Graph），也就是节点和连边的集合。从知识图谱到概率图模型，从蛋白质相互作用网络到社交网络，从基本的逻辑线路到巨大的Intenet，图与网络无处不在。然而，尽管传统神经网络在计算机视觉、自然语言处理等任务中已经取得了令人瞩目的重大突破，但是无论是MLP（多层感知机）、CNN（卷积神经网络），还是RNN（循环神经网络）都很难对付不规则的图结构数据，这种缺陷大大限制了深度学习的应用领域。于是人们提出了图网络（Graph Network），一种基于图结构的广义人工神经网络，它可以直接对真实问题进行建模，又可以利用强大的自动微分技术进行学习，甚至有望融合人工智能的三大学派：即基于符号与推理的符号学派、基于机器学习、神经网络的链接学派，以及基于多智能体与演化算法的行为学派。 最近两年，图网络模型的论文在各个顶级人工智能会议与期刊中呈现了爆炸性的增长。图神经网络、图卷积网络、图注意力模型，各种各样的图网络模型层出不穷；另一方面，图网络被广泛地应用于知识图谱、概率图模型、元胞自动机、图灵机、组合优化问题等经典人工智能任务。更有意思的是，图网络将有望开启复杂性科学研究的新时代：一方面，图网络模型已经被用于多主体模型，我们可以赋予多主体系统更灵活的学习能力；另一方面，图网络与经典复杂网络研究的融合也是势在必行：人们不仅可以高精度地预测连边，推断网络上的动力学行为，甚至还能预测网络的演化。总之，图网络模型让我们对人工智能拥有了更多的想象空间。 本次集智俱乐部与腾讯研究院联合举办的AI&Society系列活动，就针对图网络的最新进展进行介绍与研讨，并计划顺势开展图网络方向的系列读书会小组。
主讲人简介
张江，北京师范大学系统科学学院教授，集智俱乐部、集智AI学园创始人。 肖达，北京邮电大学计算机学院讲师，彩云科技联合创始人、首席科学家。
活动安排
14:00-15:00 张江主讲 15:00-15:20 互动提问 15:20-16:20 肖达主讲 16:20-16:40 互动提问 16:40-17:00 下午茶与自由交流 论文摘要 论文题目： Relational inductive biases, deep learning, and graph networks（关系式归纳偏好、深度学习和图网络） 摘要： 最近，人工智能（AI）经历了一次复兴，在视觉，语言，控制和决策等关键领域都取得了重大进展。 一部分原因是现在廉价的数据和计算资源与深度学习本身的优势很合适。然而，对于面对各种不同压力时的人类智能的许多特征，现在很多方法仍然不能学到。特别是，超越自身经验进行归纳（因为人类智能从婴儿时期就已经开始），仍然是现代人工智能的一个巨大挑战。 接下来是部分立场文件（position paper），部分回顾和部分统一。我们认为，组合式归纳是使AI具备人类能力的首要任务，结构化表示和计算是实现这一目标的关键。就像生物学使用自然和人工哺育相结合一样，我们拒绝在“手工作业”和“端到端”的方法中进行选择，这种错误的方式，而是主张采用将它们优势互补之后的方法。我们会探讨在深度学习架构中使用关系式归纳偏好将会如何促进学习实体，关系和组成它们的规则。我们还为人工智能工具包提供了一个新的构建模块，也就是图网络，它具有强大的关系式归纳偏好。图网络推广并扩展了各种对图进行操作的神经网络方法，并为操纵结构化知识和生成结构化行为提供了一个直接的端口。我们将会讨论图网络如何支持关系推理和组合泛化，并且为更复杂的，可解释的和灵活的推理模式打下基础。 论文下载地址： https://export./pdf/1806.01261 报名方式 |
|
|
