Yapay zeka endüstrisindeki en "araştırma değeri" ödülü "On Üniversite Yüksek Lisans Bursu kazananları açıklandı
Leifeng.com AI Teknolojisi İnceleme Basın : 22 Ocak'ta, sektörün en yüksek araştırma değeri olarak bilinen 2017 Baidu Bursu Ödül Töreni Baidu Bilim Parkı'nda düzenlendi. Bir kooperatif medyası olarak, AI Technology Review ayrıca ödül törenine katılmaya davet edildi ve AI endüstrisinde 10 göz kamaştırıcı yeni yıldızın doğuşuna tanık oldu.
Baidu Burs Programı, en iyi Çinli öğrencileri yapay zeka alanındaki en değerli teknik sorunları çözmeleri için keşfetmek, desteklemek ve teşvik etmek, Çin'in dünyadaki yapay zekasını tanıtmak ve Çin'deki yapay zeka alanındaki seçkin teknik yeteneklerin gelecekteki rezervini geliştirmektir. . Bu nedenle, bu sefer on kazanan şüphesiz AI alanındandır ve araştırma yönleri en popüler bilgisayar vizyonu, doğal dil işleme, makine öğrenimi, büyük veri madenciliği ve diğer ilgili alt bölümleri kapsamaktadır. Aşağıda on oyuncunun kısa bir tanıtımı bulunmaktadır.
-
Chen Shizhe , Bilgisayar görüşü alanında, "Multimodal Duygu Tanıma" ve "Video İçeriğinin Doğal Dil Tanımı" konularına odaklanarak uluslararası en iyi dergilerde ondan fazla ilgili makale yayınladı.
-
Wang Yisen , Makine öğrenimi / konuşma alanı, ağaç makine öğrenimi modellerine odaklanan, özellikle rastgele orman modelleriyle ilgili temel teoriler ve uygulamalar.
-
Zhang Biao , Doğal dil işleme alanında, makine çevirisinde uzun vadeli bellek modellerine odaklanarak ve yenilikçi yeni model çözümleri önerdiler.
-
Hu Zhiting , Doğal dil işleme alanı, özellikle bilgi ve sinir ağı yöntemlerini birleştirme yönünde, doğal dil işleme ve makine öğreniminin temel teorilerine odaklanıyor.
-
Lin Yankai , Bilgi temsili öğrenme, bilgi edinme ve bilgi uygulama yönlerine odaklanan doğal dil işleme alanı Temsilci araştırma ve sonuçları arasında TransR ve PTransE, NRE ve MNER yer almaktadır.
-
Wang Xiaolong Bilgisayarla görme alanında, yüksek lisans döneminde ağırlıklı olarak DPM tespit çalışması yaptı, Doktora tahmine dayalı öğrenme ile uğraştı.Yazılı makaleleri birçok uluslararası konferansa dahil edildi.Şu anda 17 makale, 10 makale ve 570 alıntı yayınladı.
-
Wang Yunhe , Bilgisayar görme alanı, sinir ağı hızlandırma sıkıştırma araştırmalarına odaklanıyor. Evrişimli sinir ağı tahmin sürecinin tahmin hızını iyileştirmek için ayrık kosinüs dönüşümünün kullanılmasını önerdi Bu yöntem son derece yenilikçi ve pratiktir.
-
Li Chengtao Makine öğrenimi alanında, çeşitlilik örnekleme araştırmalarına odaklanıyor.Öğretmeni ve eğitmeni, örnekleme için Markov zincirinin kullanımını birlikte araştırıyor ve örnekleme verimliliğini büyük ölçüde artırmak için sayısal hesaplama teknolojisini (Gauss Quadrature) kullanıyor.
-
Wu Hao Veri madenciliği alanında, yörünge dizisi modelleme ve tahmin problemlerini çözmek için veri madenciliği, makine öğrenimi ve derin öğrenmenin kullanımına odaklanmaktadır. Araştırma yöntemleri, harita büyük veri yörünge madenciliği, yeni yol haritası madenciliği ve büyük verilere dayalı kalabalık analizinde büyük önem taşır.
-
Zhu Rong , Veri madenciliği alanı, Top-K güvenilir arama, SimRank benzerliği, Top-K yoğun alt grafik madenciliği ve diğer konular dahil çok katmanlı grafikler için madencilik algoritmalarına odaklanıyor. Şu anda, beş önemli dergi ve konferans makalesi yayınladı (TKDE / KAIS / ICDE / ICDM).
Lei Feng.com AI Bilim ve Teknoloji İncelemesi, bu ön seçim için seçim kriterlerinin temel olarak, en iyi uluslararası akademik konferanslarda ve dergilerde yayınlanan makalelerin toplam sayısı ve bir ve bir olmayanın ilgili oranları dahil olmak üzere yarışmacıların akademik performansına atıfta bulunduğunu öğrendi. Bu yarışmacılar kalabalığın arasından sıyrılabilirler.İyi bir akademik performans ve savunma oturumunda hakimleri fethetmenin yanı sıra, en önemli şey araştırma sonuçlarının mühendislik dönüşümü yeteneğidir. Bu nokta, Baidu'nun ödül sahasındaki teknik komite başkanı Wu Hua tarafından da kabul edildi. "Önceki Baidu bursunu kazananlarla karşılaştırıldığında, bu Baidu burslu yarışmacıları araştırmayı pratik uygulama senaryolarıyla birleştirmeye daha fazla önem veriyorlar ve mükemmel sonuçlar elde ettiler. Bu en iyi yeteneklerin gelecekte bilimsel araştırmalarını kullanmaya devam edebileceklerini umuyoruz. Yapay zekanın ilerlemesini teşvik edecek başarılar. "Baidu'nun teknik komitesi başkanı ve burs inceleme ekibinin lideri Bayan Wu Hua, ödül sitesinde söyledi.
Ödül töreninin ardından, kazananların akademik tarzını herkesin daha doğrudan hissetmesini sağlamak için. Etkinlik partisi, üç kazanan Lin Yankai, Li Chengtao ve Wang Yunhe'yi kısa bir akademik oturumu paylaşmaya davet etti.Aynı zamanda, iki önceki kazanan Li Jiwei ve Huang Yan'ı gelip "çaylaklar" için yardım etmeye davet ettiler. Beş akademik gençleri, diyalog sistemleri, derin öğrenme ve bilgi grafikleri alanlarındaki en son araştırma sonuçlarını paylaştı.
Paylaşacak ilk konuk Stanford mezunu Li Jiwei , Paylaşım konusu: Kilise makinesi konuşması .
Herkese merhaba, bugün Baidu'ya tekrar geldiğim için çok mutluyum, çok mutluyum! Eskiden bir diyalog halindeydim, bugün sizlerle bir iki yıl önce çalışmalarımı paylaşacağım.
Makinelere insanlar gibi konuşmayı öğretmek iki sorunu çözmelidir. Birincisi, makinenin daha ilginç ve bilgilendirici içerik üretmesini sağlamak. Diğeri, makinenin kendisiyle çelişmemesi için tutarlılığını nasıl koruyacağıdır.
Önceki modelde, eğitim veri setindeki birçok sıkıcı yanıt nedeniyle, sonuç modelin her seferinde "bilmiyorum", "Hehe" gibi sıkıcı konuşmalar üretmesidir. Ancak, makinenin bu tür sıkıcı soruları yanıtlamasını yasaklamak yeterli değildir.Makine ayrıca aşağıdaki resim gibi aynı tür ve aynı anlama sahip başka cümle varyantları da üretecektir.
Bu sorunu çözmek için, önce makinenin cevabının, insanın makineye söylediklerine göre ne olduğunu tahmin etmeliyiz. Makine, kişinin daha önce ne sorduğunu yanıtlayarak tahmin edebilir.
İkinci soru, makine diyaloğunun nasıl tutarlı tutulacağıdır Herkesin fikri, herkesin bunun yerine bir vektör kullanmasına izin vermektir, bu yüzden bir kişiye 100 soru sorduğunuzda, aynı vektörü bir kesinti olarak kullanacaktır. Başka bir deyişle, bu yüz sorunun yanıtlarını tutarlı hale getirmek için aynı vektörü kullanacaktır.
Paylaşılacak ikinci konuk Lin Yankai , Paylaşım konusu: Bilgi gösterimi ve bilgi çıkarma .
Bilgi haritasının yönü üzerinde çalışıyorum Son iki yılda, ağırlıklı olarak bilgi temsili ve çıkarımı yaptım. Herkese tanıdık gelebilecek bilgi grafiği, bazı varlık ilişkilerinin bir grafiğini oluşturmaktır. Bugün esas olarak iki yönü tanıtacağız: Birincisi bilgi temsili ve ikinci yönü bilgi edinmedir.
Bilgi temsili aslında bilgi grafiğindeki varlıklara bir uzayda vektör olarak karşılık gelir.Geleneksel bilgi grafiği üçlü şeklinde görüntülenir.Model karmaşıklığı küçük olduğunda mevcut bilgi gösterimi yöntemi bir etkiye sahiptir. Bu çok iyi. Ana çalışmamızın iki noktası vardır, yani mevcut bilgi temsili yöntemindeki bazı problemleri çözmek. Birincisi, bilgi grafiğindeki karmaşık ilişkileri modelleyemez. İkincisi, bilgi grafiğindeki ilişki yolunu modelleyemez.
Çalışmanın ikinci kısmı bilgi çıkarma hakkındadır. Esas olarak yaptığım şey metin ilişkilerinin çıkarılmasıdır. Bir çoklu ilişki çıkarma sistemi önerdik.Çin verisi veya İngilizce verisi olsun, çıkarma etkisi orijinalinden büyük ölçüde geliştirildi.
Paylaşılacak üçüncü konuk Huangyan , Paylaşım konusu: Süper çözünürlüklü videoyu işlemek için çift yönlü tekrarlayan bir sinir ağı kullanılır.
Araştırma yönüm bilgisayar görüşü ve derin öğrenmedir.Aşağıda kısaca tekrarlayan sinir ağlarını tanıtacağım. Geleneksel derin sinir ağları ile karşılaştırıldığında, döngüsel ağlar daha çok serileştirilmiş verileri işlemeye odaklanır.Büyük fark, farklı zamanlarda örtük durumlar arasındaki döngüsel bağlantıdır. Unutulmaması gereken bir nokta, ister geleneksel bir derin sinir ağı isterse tekrarlayan bir ağ olsun, tüm girdilerinin vektörler biçiminde olduğu ve katmanların tamamen bağlantılı işlemler olduğudur.
Aslında tamamen evrişimli tekrarlayan bir ağ olan tekrarlayan evrişimli ağı tanıtmama izin verin. Örnek olarak yukarıdaki resmi ele alalım: Geleneksel olarak tamamen bağlı derin sinir ağı için, tamamen evrişimli, yani tamamen bağlı olanların tümü evrişim işlemleriyle değiştirilir ve sıklıkla kullandığımız evrişimli ağı elde ederiz. Zaman yönünde açılan derin sinir ağı döngüsel bir ağ haline gelir. Girdiğim döngüsel evrişimli ağ, esasen tamamen evrişimli döngüsel bir ağdır. Bu tür bir ağ, parametre miktarında büyük bir avantaja sahiptir.Geleneksel tekrarlayan ağın parametre miktarı yaklaşık bir milyon veya hatta on milyondur ve tekrarlayan evrişimli ağ temelde sadece yaklaşık 10.000 veya 20.000'dir, bu nedenle test hızı büyük ölçüde geliştirilecektir.
Döngüsel evrişimli ağın video süper çözünürlüğüne uygulanması, görsel içeriğin uzamsal yapı bilgilerini korurken modelin test hızını büyük ölçüde artırabilir ve evrişim işlemi, herhangi bir ölçekte video karesini işlememize izin verir.
Dördüncü paylaşım konuğu Li Chengtao , Paylaşım konusu: Çeşitlilik örneklemesine ilişkin teoriler, uygulamalar ve uygulamalar .
Araştırmam esas olarak çeşitlilik örneklemesi hakkındadır. Özellikle, fazlalık bilgi içermeyen bazı temsili örnekler, bir kitabın veya videonun özeti gibi tüm veri kümesini temsil etmek için bir veri kümesinde örneklenir. Kısaca düzenleme ve benzeri, büyük miktarda bilgiden "kuru ürünleri" çıkarmaktır.
Çeşitlilik örneklemesi yoluyla, verileri işleme ve kısa sürede daha fazla bilgi elde etme süresini büyük ölçüde azaltabiliriz. Daha önce çeşitlilik örneklemesi üzerine bazı teorik çalışmalar yaptım, esas olarak çeşitlilik örneklemesinin verimliliğinin nasıl geliştirileceğiyle ilgili. Örneğin, çeşitlilik örneklemesinin tipik bir olasılık dağılımı olan Belirlenmiş Nokta Süreci'ni inceledik. Örnekleme süreci çok zaman alıyor. Süpervizörümle araştırma yaptıktan sonra, örnekleme yapmak için Markov zincirini kullandık ve teorik olarak örnekleme verimliliğinin orijinal yöntemden daha yüksek olduğunu ve sayısal hesaplama teknolojisinin (Gauss Quadrature) son derece kullanıldığını kanıtladık. Toprak, örnekleme verimliliğini artırır.
Çeşitlilik örneklemesinin hala büyük uygulama beklentileri vardır. Şimdi bir bilgi patlaması çağı ... Daha kısa sürede daha fazla bilginin nasıl işleneceği her zaman çok önemli bir konu olmuştur. Bence çeşitlilik örneklemesi burada çok önemli bir rol oynayacak. Örnekleme çeşitliliği nedeniyle hayal etmeye cesaret edemeyeceğimiz birçok şey gerçeğe dönüşebilir, örneğin bir saatte bir kitap okumak, bir dakika içinde bir film izlemek gibi.
Paylaşacak son konuk Wang Yunhe , Paylaşım konusu: Derin sinir ağlarının sıkıştırılması üzerine araştırma.
Sinir ağlarının hızlanması ve sıkıştırılması üzerine derinlemesine araştırma yaptım ve evrişimsel sinir ağı tahmin sürecindeki evrişim hesaplamasını uzay alanından frekans alanına dönüştürmek için ayrık kosinüs dönüşümü kullanmayı önerdim. Menzil geliştirildi ve model tarafından tüketilen depolama alanı büyük ölçüde azaldı. Bu yöntem son derece yenilikçi ve pratiktir.
Derin evrişimli sinir ağı sıkıştırması konusu çok umut vericidir, çünkü çoğu görevdeki (görüntü tanıma, görüntü süper çözünürlüğü vb.) Derin öğrenme modellerinin doğruluğu iniş talebine ulaştı, ancak çevrimiçi hızları ve bellek tüketimi Henüz iniş talebine ulaşmadı.
Bununla birlikte, cep telefonları, akıllı kameralar, insansız araçlar vb. Gibi daha fazla pratik uygulamanın bu derin öğrenme modellerini kullanması gerekiyor. Bu nedenle, daha hafif ve daha doğru bir derin sinir ağının nasıl tasarlanacağı hala çözülmesi gereken acil bir sorundur.
Leifeng.com raporu
