Kapsamlı öğrenim konferansı "Uncrowned King" ICLR 2017 kabul sonuçları açıklandı, seçilen 13 kuru ürün özeti
1 Xinzhiyuan önerilir
Yazar: Wei şov katılımı
AI devam ediyor, Vientiane güncellemeleri!
Xinzhiyuan, tüm abonelerine iyi bir Horoz Yılı diliyor!
Xinzhiyuan yeni bir işe alım turu başlattı : COO, Genel Yayın Yönetmeni, Baş Editör, Kıdemli Derleyici, Baş Yazar, Operasyon Direktörü, Hesap Yöneticisi, Danışmanlık Direktörü, İdari Asistan ve diğer 9 pozisyon tamamen açıktır.
Teslime devam et: j obs@aiera.com.cn
HR WeChat: 13552313024
Xinzhiyuan, COO ve yönetici editörlere bir milyon yuan'a kadar yıllık maaş teşvikleri sağlar; kilit çalışanlar için en eksiksiz eğitim sistemini sağlar, Sektör ortalamasından daha yüksek maaşlar ve ikramiyeler.
Xinzhiyuan'a katılın ve dünyayı değiştirmek için yapay zeka endüstrisinin liderleriyle birlikte çalışın.
Xin Zhiyuan Rehberi Derin Öğrenme Konferansı'nın "Taçsız Kralı" olarak bilinen ICLR 2017, konferansın sonuçlarını açıkladı. Yazar, okuyucular için kabul edilen tüm makalelerden on üç kuru ürün seçti. Bu yıl ICLR'de GAN ve Takviye öğrenmeyi içeren muazzam çalışma miktarı, dolaylı olarak gelecekte DL alanında denetimsiz öğrenme ve pekiştirmeli öğrenmenin momentumunu yansıtıyor.
Seçilen 13 makaleyi indirmek için Xinzhiyuan kamu hesabında 170208'i yanıtlayın
Derin Öğrenme Konferansı'nın "Taçsız Kralı" olarak bilinen ICLR 2017, bugün konferansın sonuçlarını açıkladı. Toplam 490 bildiri sunuldu, 15 sözlü bildiri (kabul oranı% 3) ve 181 poster bildirisi (kabul oranı% 36.9) nihayet kabul edildi. ICLR, aynı alandaki diğer üst düzey konferanslara kıyasla son derece yüksek bir kabul oranına sahip olsa da, ICLR sunumlarının üstün kalitesini de yansıtır.
Merakımı dizginleyemediğim için kabul edilen makaleler listesini sıcakken araştırdım ve çok fazla kuru ürün buldum! Herkesle paylaşın.
Sözlü Kağıt
1. Üretken Çekişmeli Ağların Eğitimi için İlkeli Yöntemlere Doğru (Martin Arjovsky, Leon Bottou) : Bu makale bir süre önce sıcak WGAN'ın öncülüdür Bu makalede, yazar teorik olarak orijinal GAN'ın sorunlarını analiz etmiş ve iyileştirme için kilit noktalara işaret etmiştir.
2. Takviyeli Öğrenme ile Sinir Mimarisi Araştırması (Barret Zoph, Quoc Le) : Çok süslü sinir ağı modelinin yapısını tasarlamak üzere RNN'yi eğitmek için pekiştirmeli öğrenmeyi kullanın.
3. Derin Öğrenme için Büyük Toplu Eğitim Hakkında: Genelleme Boşluğu ve Keskin Minima (Nitish Shirish Keskar, Dheevatsa Mudigere, Jorge Nocedal, Mikhail Smelyanskiy, Ping Tak Peter Tang) : Geleneksel sinir ağı eğitiminde, büyük bir parti boyutu (örneğin, 512'den fazla) ağ modelinin genelleme yeteneğinde bir azalmaya yol açacaktır.Bu makale, deneyler yoluyla, bunun nedeninin keskin minimuma yakınsama olduğunu kanıtlıyor ve bazı çözümler öneriliyor.
4. Özel Eğitim Verilerinden Derin Öğrenme için Yarı Denetimli Bilgi Aktarımı (Nicolas Papernot, Martín Abadi, Úlfar Erlingsson, Ian Goodfellow, Kunal Talwar) Eğitim verilerinin mahremiyet içerdiği durumu çözmek için yarı denetimli koşullar altında aktarım öğrenmeyi kullanmak, DL'nin yeni bir ayarıdır. Artık geleneksel görevler darboğaz dönemine göre fırçalandığına göre, DL problemini yeni ortamda önermek ve çözmek için iyi bir yoldur.
Poster kağıdı
5. Dikkatin Daha Fazla Dikkat Edilmesi: Dikkat Aktarımı ile Evrişimli Sinir Ağlarının Performansının İyileştirilmesi (Sergey Zagoruyko, Nikos Komodakis): Bilgi aktarımı İçinde, öğretmen modelinin etkinleştirilmesi öğrenci modeline aktarılabilir, ancak bu makale ustaca öğretmen modelinin dikkatinin aktarılabileceğini önermektedir.
6. Video Tahmini ve Denetimsiz Öğrenme için Derin Tahmine Dayalı Kodlama Ağları (William Lotter, Gabriel Kreiman, David Cox) : Sinirbilimdeki "öngörücü kodlama" dan ilham alan, videoya dayalı denetimsiz öğrenme.
7. Takviye Öğrenmeyi Kullanarak Sinir Ağı Mimarileri Tasarlama (Bowen Baker, Otkrist Gupta, Nikhil Naik, Ramesh Raskar) : Tesadüfen, bir diğeri otomatik olarak bir ağ mimarisi oluşturmak için pekiştirmeli öğrenmeyi kullanıyor.
8. Üretken Çok Çekişmeli Ağlar (İşhan Durugkar, Ian Gemp, Sridhar Mahadevan) : Birden fazla ayırıcıya sahip GAN, yakınsamayı hızlandırır ve daha Lupin sonucu elde eder.
9. Derin Sinir Ağı Kararlarını Görselleştirme: Tahmin Farkı Analizi (Luisa M Zintgraf, Taco S Cohen, Tameem Adel, Max Welling) : Giriş görüntüsündeki hangi alanın sınıflandırma tahmini sonuçlarında rol oynadığını analiz edebilen bir görselleştirme yöntemi önerin.
10. Tekrarlayan Toplu Normalleştirme (Tim Cooijmans, Nicolas Ballas, César Laurent, Çağlar Gülçehre, Aaron Courville) : RNN versiyonu BN.
11. Tartışmalı Özellik Öğrenimi (Jeff Donahue, Philipp Krähenbühl, Trevor Darrell) : Geleneksel GAN yalnızca gizli vektörden veri dağıtımına eşleyebilir, ancak verileri vektöre eşleme işlemini bulamaz. Daha sonra, ikinci süreç, temsil öğrenimi için daha faydalıdır. Bu makale, bu sorunu çözmek için Çift Yönlü GAN'ı (Çift Yönlü GAN) önermektedir.
12. Derin Evrişimli Ağların Gerçekten Derin ve Evrişimli Olması Gerekiyor mu? (Gregor Urban, Krzysztof J. Geras, Samira Ebrahimi Kahou, Ozlem Aslan, Shengjie Wang, Abdelrahman Mohamed, Matthai Philipose, Matt Richardson, Rich Caruana) : Cevap Evet." Bu makale, derin evrişimli ağların doğruluğu sağlamak için derinlik ve evrişim işlemleri gerektirdiğini doğrulayan deneysel bir bakış açısından ilk makaledir.
13. Ölçekte Tartışmalı Makine Öğrenimi (Alexey Kurakin, Ian J. Goodfellow, Samy Bengio) : GAN'ı karmaşık modellere ve büyük veri senaryolarına uygulayın.
Sonuna yaz
Kağıt listesini bitirdikten sonra, en büyük hislerden biri, bu yılki ICLR'nin GAN ve Takviye öğrenmeyi içeren çok sayıda çalışmayı içermesi ve bu da gelecekte DL alanında denetimsiz öğrenme ve pekiştirmeli öğrenmenin ivmesini dolaylı olarak yansıtıyor. Yukarıda listelenen makalelere ek olarak, yeni SoA'ya uygulama sorunlarını (VQA gibi) fırçalamak için hala birçok görev vardır. Genel olarak, ICLR'nin yayınlanması ve sunulması oldukça süslüdür ve "imkansız değil, sadece beklenmedik" olarak tanımlanabilir.
Yazar Adelaide'de yaşıyor.
(Bu makale yazar tarafından orijinal adresi iletme yetkisine sahiptir: https://zhuanlan.zhihu.com/p/25129666)
[AI Unicorn'u Arıyor] Xinzhiyuan, 10 büyük başkentle güçlerini birleştirdi
2017 Girişimcilik Yarışması'nı başlatın
AI Girişimcilik Yarışması, Xinzhiyuan ve 10 ana akım AI girişim sermayesi kuruluşundan oluşur: Blue Run Ventures, Sequoia Capital China Fund, Hillhouse Smart Artificial Intelligence Fund, Blue Lake Capital, Blue Elephant Capital, IDG Capital, Gaorong Capital, CITIC Jiantou Securities, Mingshi Capital ve Songhe Yuanwang Fund tarafından ortaklaşa başlatılan, Xinzhiyuan sponsorluğunda, Pekin Zhongguancun Bilim Parkı Yönetim Komitesi ve Zhongguancun Bilim Parkı Haidian Park Yönetim Komitesi tarafından desteklenen, AI teknoloji liderleri ve yatırım liderlerinin bir araya gelmesidir. Büyük olay. Xinzhiyuan, risk sermayesi kaynaklarıyla geleceğin iddialı AI tek boynuzlu atlarına bağlanmak için güçlü bir fırsat sunuyor ve en iyi risk sermayesi TS sizi bekliyor.
Orijinal metni okumak ve çevrimiçi başvuru formunu doldurmak için makalenin altına tıklayın. Seçime katılmak için kayıt formu gereklidir.
Daha fazla bilgiye sahipseniz (BP, vb.), Xzy100@aiera.com.cn adresine gönderebilirsiniz.Lütfen e-postanın konusuna şirket adını belirtin. Herhangi bir sorunuz varsa, posta kutusuna bir mektup da gönderebilirsiniz.
