İçbükey tapınaktan Yunzhong
Qubit Üretildi | Genel Hesap QbitAI
Bu sabah erken saatlerde, NIPS 2017 listeyi açıklamaya başladı.
Makine öğrenimi alanındaki en büyük konferans olan NIPS 2017, toplam 3.240 bildiri başvurusu aldı ve bu sayının yeni bir zirveye ulaşması şaşırtıcı değil. 678 bildiri konferans bildirisi olarak seçildi, oran% 20,9 oldu.
Bunların arasından 40'ı sözlü sunum için, 112'si spot ışık gösterimi için seçildi.
NIPS 2017 seçim bildirimi e-postalarını alan araştırmacılar, bu keyfi dış dünya ile paylaşmak için sabırsızlanıyor. Veya: " Yoğun NIPS de rahat ve mutludur, hakaret edilmeyi unutur ve şarap esintiye girdiğinde mutlu olur. "
Elbette, Qubit'in Weibo'da gördüğü sahne gibi pişmanlık verici redler de var: aksine iki cennet.
Birçok finalist bir arXiv bağlantısı ile kutlama yapıyordu.
ne? ArXiv'de zaten yayınlandı mı? Gerçekten mümkün mü?
Evet, önemli değil. NIPS 2017'nin gerektirdiği makaleler yayınlanmamalı / yayın için kabul edilmemeli veya başka konferanslara / dergilere gönderilmemelidir. Ancak, önceden arXiv.org'da yayınlanmasına izin verilir.
Elbette bunu yapmaktan hoşlanmayan pek çok insan var, bu yüzden seçtikleri makaleler daha sonra yayınlanacak.
Finalist kağıtlardan hangisi şimdi görülebilir? Qubit mevcut durumu manuel olarak sayar Veriler Weibo, Twitter ve reddit gibi genel kanallardan gelir.
Kusursuz Bilgili Oyunlar için Güvenli ve İç içe geçmiş Alt Oyun Çözme
NIPS 2017 tarafından kabul edilen sözlü rapor sunum kağıdında bir "yıldız" ödevi bulduk. Noam Brown ve Profesör Tuomas Sandholm, Carnegie Mellon Üniversitesi'nden doktora öğrencileri.
Yılın başında Texas poker endüstrisini kasıp kavuran yapay zekayı hatırlıyor musunuz? Qubit ayrıca Mart ayında CMU'da bu iki bilim insanıyla özel olarak röportaj yaptı. Bu makale, en son araştırma sonuçlarının bir özetidir.
Özet Giriş: Kusurlu bilgi oyunu sorunu alt oyunlara ayrıştırılarak çözülemese de çözüme ayrık alt oyunlar üzerinden yaklaşabilir veya mevcut çözümleri geliştirebilir.
Kağıt adresi:
https://arxiv.org/pdf/1705.02955
Kemirgen Bıyık Trigeminal Sistem için Hedefe Dayalı Sinir Ağı Modellerine Doğru
Bu çok ilginç görünen başka bir makale. İlk yazar, Stanford'dan bir doktora öğrencisi olan Chengxu Zhuang ve diğer yazarlar MIT, Northwestern Üniversitesi ve Stanford'dan.
Kısa giriş: Kemirgenler (sıçanlar veya başka bir şey) büyük ölçüde dünyayı sakallarından "görürler". Bu çalışmada, sakal-trigeminal sinir sistemini modellemek için hedef odaklı bir derin sinir ağı kullandık.
İlk olarak, fare bıyık dizisi modelinin biyofiziksel bir gerçekleştirmesini oluşturduk. Ardından, çeşitli pozlar, açılar ve hızlar dahil olmak üzere çeşitli 3B nesneleri tarayan büyük bir veri kümesi oluşturun. Daha sonra, bu veri setindeki şekil tanıma görevini çözmek için farklı mimarilere sahip birkaç DNN'yi eğittik.
Son olarak, sakal-trigeminal sinir sisteminin DNN modelinin daha fazla çalışmaya değer olduğunu kanıtladık.
Kağıt adresi:
https://arxiv.org/abs/1706.07555
TernGrad: Dağıtılmış Derin Öğrenmede İletişimi Azaltmak için Üçlü Gradyanlar
Bu makalenin yazarları, Duke Üniversitesi'nden doktora öğrencileri Wen Wei ve Profesör Chen Yiran'dır.
Özet Giriş: Gradyanları ve parametreleri senkronize etmek için yüksek ağ iletişim maliyeti, iyi bilinen bir dağıtılmış eğitim darboğazıdır. Bu araştırmada, TernGrad'ı öneriyoruz: veri paralelliğinde dağıtılmış derin öğrenmeyi hızlandırmak için üçlü gradyanları kullanma.
Kağıt adresi:
https://arxiv.org/pdf/1705.07878
NIPS 2017 Profesör Chen'e E-posta
Gizli Parametreli Markov Karar Süreçleri ile Sağlam ve Etkili Transfer Öğrenimi
Bu makalenin üç yazarı Harvard Üniversitesi'nden ve biri Brown Üniversitesi'nden.
Kısa tanıtım: Bu, Gauss yüksekliğine dayalı önceki modeli değiştirmek için Bayes sinir ağını kullanan yeni bir HiP-MDP şemasıdır. Yeni çerçeve, HiP-MDP'nin uygulama kapsamını daha yüksek boyutlara ve daha karmaşık dinamik alanlara genişletiyor.
Kağıt adresi:
https://arxiv.org/abs/1706.06544
Uçtan Uca Farklılaşabilir Kanıtlama
İki yazar Oxford ve University College London'dan.
Özet Giriş: Bu, sinir ağını kanıtlayan uçtan uca bir diferansiyel teoremdir ve işlem sembolik yoğun vektör temsiline dayanmaktadır. Spesifik olarak, sembolik birleştirmeyi değiştirmek için sembolik vektör gösterimine dayalı bir diferansiyel hesaplama oluşturmak için radyal temel fonksiyonu çekirdeğini kullanıyoruz.
Kağıt adresi:
Doğrusal Zamanlı Kernel Uyum İyiliği Testi
Yazarlar University College London, Polytechnic University Paris ve Institute of Statistics and Mathematics of Japan'dandır.
Kısa giriş: Yeni bir uyum iyiliği testi öneriyoruz. Yeni testin, önceki doğrusal zaman çekirdeği testinden daha yüksek göreceli verimliliğe sahip olduğunu kanıtladık.
Kağıt adresi:
https://arxiv.org/abs/1705.07673
Kalibre Edilmiş Konveks Vekil Kayıplar ile Yapılandırılmış Tahmin Teorisi Üzerine
Yazar, Fransız Ulusal Bilgi ve Otomasyon Enstitüsü ve Montreal Üniversitesi'nden.
Özet Giriş: Bu makale, yapılandırılmış tahmin için yeni bir bakış açısı sunmaktadır. Görev kaybı için, stokastik gradyan inişiyle optimize edilebilecek bir dışbükey ikame oluşturduk ve aşırı ikame riskini gerçek riskle ilişkilendiren sözde "kalibrasyon işlevi" nin sıkı sınırını kanıtladık.
Kağıt adresi:
https://arxiv.org/abs/1703.02403
Artımlı Moment Eşleştirme ile Yıkıcı Unutmanın Üstesinden Gelmek
Yazarlar, Seul Ulusal Üniversitesi gibi Kore araştırma kurumlarından geliyor.
Özet Giriş: Felaketle sonuçlanan unutma problemini çözmek için, Bayes sinir ağı çerçevesi kullanılarak inşa edilmiş artımlı bir moment eşleştirme (IMM) öneriyoruz.
Kağıt adresi:
https://arxiv.org/abs/1703.08475
Sözlü ve Spotlight sergi bağlantıları için seçilen makaleler, kübitler başlangıçta bunları buldu. Daha fazla içerik, resmi duyuruyu dört gözle bekliyoruz. NIPS 2017 tarafından kabul edilen bazı makaleler.
Merkezi Olmayan Çoklu Temsilci Güçlendirmeli Öğrenme için Dinamik Güvenli Kesilebilirlik
Merkezi olmayan çok ajanlı güçlendirme öğreniminin dinamik güvenlik kesintisi
Kağıt adresi:
https://arxiv.org/abs/1704.02882
Bizans-Toleranslı Makine Öğrenimi
Bizans hataya dayanıklı makine öğrenimi
Kağıt adresi:
https://arxiv.org/abs/1703.02757
Derin Gizli Değişken Modellerle Nedensel Etki Çıkarımı
Nedensel Etki Muhakemesi ve Derin Gizli Değişken Modeli
Kağıt adresi:
https://arxiv.org/abs/1705.08821
Tekrarlayan Sinir Modülleri ile Hiyerarşik Bilgi Akışını Öğrenme
Tekrarlayan sinir modülü ile hiyerarşik bilgi akışını öğrenme
Kağıt adresi:
https://arxiv.org/pdf/1706.05744
SVCCA: Derin Anlama ve İyileştirme için Tekil Vektör Kanonik Korelasyon Analizi
SVCCA: Derinlemesine anlayış ve geliştirilmiş tekil vektör özelliği korelasyon analizi
Kağıt adresi:
https://arxiv.org/abs/1706.05806
Log-Normal Çarpımsal Gürültü ile Yapılandırılmış Bayes Budama
Lognormal çarpma gürültüsü ile Bayes budama inşa edin
Kağıt adresi:
https://arxiv.org/abs/1705.07283
SafetyNets: Güvenilmeyen Bir Bulutta Derin Sinir Ağlarının Doğrulanabilir Yürütülmesi
SafetyNets: Güvenilir olmayan bulutlarda derin sinir ağlarını güvenilir şekilde çalıştırın
Kağıt adresi:
https://arxiv.org/pdf/1706.10268
Komşunuzun sınırlarını bilmek için çok çalışmak: Yerel tanımlayıcı öğrenme kaybı
Yakın uçta sıkı çalışın: yerel tanımlayıcı öğrenme kaybı
Kağıt adresi:
https://arxiv.org/abs/1705.10872
Çok Etmenli Oyunlarda Dilin Ortaya Çıkışı: Sembol Dizileriyle İletişim Kurmayı Öğrenmek
Çok temsilcili oyun dilinin ortaya çıkışı: sembolik dizilerle iletişim kurmayı öğrenmek
Kağıt adresi:
https://arxiv.org/abs/1705.11192
Bayesian Uyarlanabilir Doğrudan Arama ile Model Uydurma için Pratik Bayes Optimizasyonu
Gerçek Bayes optimizasyonuna uyan Bayes uyarlanabilir doğrudan arama modeli
Kağıt adresi:
https://arxiv.org/abs/1705.04405
GitHub adresi:
https://github.com/lacerbi/bads
Tensör Tren Sıralaması Minimizasyonunda: İstatistiksel Verimlilik ve Ölçeklenebilir Algoritma
Tensor Train seviye minimizasyonu: istatistiksel verimlilik ve ölçeklenebilir algoritma
Kağıt adresi:
https://arxiv.org/abs/1708.00132
PixelGAN Otomatik Kodlayıcılar
PixelGAN otomatik kodlayıcı
Kağıt adresi:
Pekala, önce buraya gelin. Son olarak herkese tebrikler.
Ve bu NIPS 2017 hakkında söyleyecek daha çok şeyiniz varsa, ister makaleler hakkında konuşmak, düşüncelerinizi göndermek veya bir özet hazırlamak olsun, lütfen Qubit ile iletişime geçin ~
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! İlgili ayrıntılar için lütfen QbitAI diyalog arayüzünde "işe alım" kelimesini yanıtlayın.
Qubit QbitAI
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin