Özel DL döneminde geleneksel AI araştırma yöntemi nasıl değiştirilir?
Bu makalenin yazarı: Yafeng
Giriş: Çin Elektronik Derneği 25-26 Mart 2017 tarihinde Pekin'de "2017 Ulusal Derin Öğrenme Teknolojisi Uygulama Konferansı" nı düzenledi.
Leifeng.com: 2016 kuşkusuz derin öğrenmenin en sıcak yılıdır. Derin öğrenme, ses, görüntüler, doğal dil işleme ve diğer alanlarda çok olağanüstü sonuçlar elde etmiştir ve en çarpıcı teknik sıcak noktalardan biri haline gelmiştir. Lei Feng.com (genel numara: Lei Feng.com) Google, Facebook, Microsoft ve Baidu hakkında birçok önemli teknik devi bildirdi.
2017'de derin öğrenmenin momentumu hala hızlıdır ve dünya üzerinde derin bir etkisi olan daha hızlı bir hızda çeşitli endüstrilere nüfuz eder.
Derin öğrenme sadece makine öğreniminin birçok uygulamaya ulaşmasını sağlamakla kalmaz, aynı zamanda yapay zeka alanını da genişletir ve makine destekli işlevleri mümkün kılar. Uygulama alanı birçok alana nüfuz etmek için hızlanıyor ve ayrıca derin öğrenme ve diğer uygulama teknolojilerinin hızlandırılmış entegrasyonunu da ortaya çıkardı.
Derin öğrenmenin derin öğrenmesini geliştirmek için Çin Elektronik Derneği, 25-26 Mart 2017 tarihinde Pekin'de "2017 Ulusal Derin Öğrenme Teknolojisi Uygulama Konferansı" nı düzenledi. Çin Elektronik Derneği Genel Sekreter Yardımcısı Lin Runhua toplantıya katıldı ve konuştu. Konferans başkanı araştırmacı Wang Liang, Profesör Ji Xiangyang ve Konferans Profesör Yu Jun konferansın uzman raporuna başkanlık etti.
Toplantı, Çin'deki derin öğrenme teknolojisi alanında iyi bilinen uzmanları, derin öğrenme teknolojisinin uygulanması ve en son gelişmeler hakkında özel davet raporları yapmaya davet etti. Aynı zamanda, Çin Elektronik Enstitüsü ayrıca derin öğrenme teknolojisi ile ilgili bilimsel araştırma birimlerini ve yüksek Tech işletmelerini, derin öğrenme teknolojisi alanında araştırma sonuçlarını, yeni ürünlerini ve pazar odaklı içeriği yaymaya davet etti.
Bu etkinliğe katılan konuklar (raporun raporuna göre sıralanmıştır): Profesör Chen Entegong, Çin Bilgisayar Bilimi ve Teknolojisi Okulu'ndan Profesör Chen Enteg, Dr. Yang Kuiyian, Microsoft Asya Araştırma Enstitüsü, Profesör Wu Fei, Direktör Zhejiang Üniversitesi Yapay İstihbarat Araştırma Enstitüsü Dr. Suzhong, Profesör Wang Yizhou, Peking Üniversitesi Dijital Medya Enstitüsü Direktör Yardımcısı Yardımcı Yardımcısı, Zhou Jie, Profesör Ji Xiangyang, Tsinghua Üniversitesi Otomasyon Bölümü, Profesör Wang Changhu Bugünün Başlık Laboratuvarı, Zhang Changhu Profesör Min, Nvidia Çin Yüksek Performans Hesaplaması ve Uygulamalı Derin Öğrenme Bölümü Dr. Lai Junjie, Yardımcı Araştırmacı Zhao Di, Çin Bilimleri Akademisi Bilgisayar Ağı Bilgi Merkezi Araştırmacısı, Jin Lianwen, 2. düzey Güney Çin Teknoloji Üniversitesi Profesörü, Deng Yafeng, Derin Öğrenci ve Çin Bilimler Akademisi Otomasyon Enstitüsü, Ulusal Kilit Laboratuvarı Ulusal Kilit Laboratuvarı araştırmacısı Dr. Huang Kaic.
Aşağıda "2017 Ulusal Derin Öğrenme Teknolojisi Uygulama Konferansı" nda 14 konuk tarafından yapılan bir rapor bulunmaktadır.
Her şeyden önce, Çin Bilgisayar Bilimleri ve Teknolojisi Okulu'ndan Profesör Chen Envanong, "Doğal Dil Tedavisi için Derin Öğrenme Yöntemleri ve Uygulamaları" hakkında bir rapor hazırladı. Bu rapor, doğal öğrenmenin en son araştırma ilerlemesini doğal olarak inceliyor ve tartışıyor Dil işleme ve daha sonra -Derecilik derinliğini tanıtmaya odaklanırken, öğrenme yöntemi barajın anlambiliminde, şiir üretiminde, ilişki tanıma içeren varlık ve test sorularının tahmin edilmesinin zorluğunda ifade edilir.
Yapay zeka, büyük miktarda eğitim verisinin etiketlenmesi, veri özellikleri, modeller vb. Tasarlanması da dahil olmak üzere çok sayıda yapay kılavuz gerektirir. Derin öğrenme, verilerin verilerini modelin sonuna kadar öğrenmeye dahil eder. Çok sayıda görevde, uzman tarafından tasarlanan verilerin veri temsili yayınlanmıştır ve bu bölümün yapay yatırımı Parça yayınlanır. Ancak, işaretleme eğitim verileri hala çok fazla manuel gerektirir.
Bu konuya yanıt olarak, Microsoft Asia Araştırma Enstitüsü'nden bir araştırmacı olan Dr. Yang Kuiyuan, "büyük ölçekli zayıf işaretleme verilerine dayanan derin öğrenme" hakkında bir rapor yayınladı. Dr. Yang Kuiyuan şunları belirtti: İşçi, ekibinin bazı keşifler yapıldığı verilerin zayıf etiket verileri altında derinlemesine öğrenme. Gerekli denetim bilgilerinin zayıflamasıyla, eğitim verileri büyük ölçüde artırılabilir. Aynı zamanda, derinlik modeli zaten iyi bir promosyon yeteneğine sahiptir. Araştırmacılar, daha iyi modeller eğitmek için daha yüksek kaliteli eğitim verileri oluşturmak için zayıf etiketleme verilerini otomatik olarak etiketlemek için manuel olarak derin modeller kullanabilirler.
Son yıllarda, çekirdek olarak verilerle derin öğrenme, soyutlama katmanları aracılığıyla orijinal verilerin diferansiyel ifadesini oluşturmuştur ve doğal dil, ses ve bilgisayar vizyonu alanlarında önemli ilerleme kaydetmiştir. Bununla birlikte, bu görev türü ve teşvik edici öğrenme mekanizması çok sayıda veriye bağlıdır. Güçlü açıklayıcı açıklama, bilgiye esnek veri bağımlılığı ve bilgi rehberliği ile bir model ve yöntem ve yöntem nasıl oluşturulur. Yapay zekanın temel zorluklarından biridir. Yapay zekanın bir sonraki gelişiminde.
Zhejiang Üniversitesi Yapay Zeka Enstitüsü Direktörü Profesör Wu Fei, bir rapor yayınladı: "Bilgi rehberliği ile birleştirilen dizi öğrenme-özel zeka modelleri ve yöntemleri", bazıları bu zorluk ve bilgi haritasının inşası, Q-A soruları ve Cevaplar ve Sekans Öğrenimi.
Derin öğrenme yeteneği, büyük -veri öğrenme örneklerinin iki yönünün, karmaşık karakteristik alanda işaretli bilgiler ve derin nöron ağı ile mükemmel kombinasyonundan gelir. Derin nöron ağı aslında insanların beyin hakkındaki ön anlayışına dayanan biyonik bir simülasyondur. Bazı uygulamalarda atılımlar yapmayı derin öğrenme, akıllı teknoloji için beyin mekanizmalarının araştırılmasının önemini göstermektedir.
IBM China Araştırma Enstitüsü Araştırma Direktörü Dr. Su Zhong, beyin mekanizması konusuyla ilgili "Computing Future: Beyin İlhamlı ve Kuantum" raporunu yayınladı. Anlama ve sürekli anlama, bilgi işlem teknolojimize uygulandı, bu beyin ilham hesaplaması ve IBM bilişsel hesaplamada da önemli bir yöndür.
Derin öğrenmeden sonra, geleneksel bilgisayar görme araştırmaları üzerinde belirli bir etkiye neden olmuştur. Bundan sonra, görüşün mekanizması ve özellikleri gelecekteki araştırmaların önemli bir yönü olacaktır. Peking Üniversitesi Dijital Medya Enstitüsü müdür yardımcısı Dr. Wang Yizhou, konferansta "Bağımsız Öğrenmeye Dayalı Görsel Arama ve Navigasyon" raporunu açıkladı.
Son iki yılda derin öğrenmenin başarısı, sektördeki çok sayıda uygulamasından ayrılamaz. Endüstrideki sektördeki deneyimine göre, Baidu IDL Derin Öğrenme Teknolojisi yönü konferansta yaptı. "Tema raporu, tema raporu, İçerik optimizasyon algoritmaları, model tasarımı, paralel mühendislik, dil anlayışı, uzunluk bellek zamanlama modeli, dikkat modeli, anlamsal karakter etiketleme, makine çevirisi, petek reklam tetikleyici, konvolüsyonel sinir ağı, zamanlama sinir ağı, görüntü altyazı ve görüntü QA'yı içerir.
Daha sonra, Tsinghua Üniversitesi Otomasyon Bölümü'nden Profesör Ji Xiangyang, konferansta "Organik Tespit ve Derin Öğrenme Bölümü Geliştirilmesi ve Uygulanması" hakkında bir rapor yaptı. Daha sonra, ilişkili semafor için son için tam konvolüsyonel çözümü tanıttı. Örnek için segmentasyon görevi. Ağ yapısı oldukça entegre ve verimlidir ve örnek tahmini ve sınıflandırmayı ortaklaşa yürütebilir. Segmentasyonun doğruluğu ve verimlilik performansında iyi sonuçlar elde etmek için iki alt görev tarafından paylaşılabilir. Tam ışık fonksiyonunun tanımından daha fazla başlayın, çok boyutlu bir bağlantı görüntüsünün ve ayrıştırma ve yeniden yapılanma ve yeniden yapılanma ve yeniden yapılanma ve yeniden yapılanma, geleneksel tek boyutlu görüntülemeden nasıl genişleyeceğinizi keşfedin. Görüntüleme yöntemi. Son olarak, radar için, birden fazla algılama bilgisine sahip otonom sürüş platformları gibi konumlandırma bilgileri (GPS, kilometre metre, alışılmış kılavuz, vb.), ve yayalar, vb.) Algılama algoritmasını ve karşılık gelen donanım uygulamasını öğrenen sonundaki görsel sistem.
Eğitimli bir sinir ağının nasıl yeni bir ağa değiştirileceğini sistematik olarak inceleyin ve orijinal sinir ağının işlevini tamamen korur. Bu işlem ağ deformasyonu olarak tanımlanır.
Ağ deformasyonunun temasına yanıt olarak, bugün Toutiao Yapay Zeka Laboratuvarı teknik direktörü Dr. Wang Changhu, bir rapor yayınladı: "Ağ Dönüşümü: Yeni Bir Sinir Ağ Öğrenme Konsepti", Wang Changhu tanıtıldı: Babanın ağ deformasyonundan sonra , almayı beklediğimiz alt ağ, ana ağın bilgisini devralmak için kullanılabilir olabilir ve aynı zamanda kısa sürede daha güçlü bir ağa dönüşmeye devam eder. Bu ağ deformasyonunun ilk gereksinimi, derin değişiklikler, genişlikteki değişiklikler, çekirdek boyutundaki değişiklikler ve hatta tüm alt ağdaki değişiklikler dahil olmak üzere çeşitli ağ değişikliklerinin yeteneğini ele alabilmesidir. Bu gereksinimi karşılamak için önce ağ deformasyon denklemini tanıttık ve daha sonra tüm bu değişiklikler için deforme olmuş bir algoritma önerdik. Bu deformasyon algoritmaları hem klasik sinir ağları hem de evrişimsel sinir ağları için geçerlidir. Ağ deformasyonunun ikinci gereksinimi, sinir ağlarında doğrusal olmayan yeteneği ele alabilmesidir. Bu amaçla, nöron fonksiyonunun deformasyonunun doğrusal olmayan sürekli aktivasyonuna yardımcı olmak için parametre aktivasyon fonksiyon klanı kavramını öneriyoruz. Deneysel sonuçlar, önerdiğimiz ağ deformasyonunun sinir ağı öğrenme kavramının standart veri kümeleri ve tipik sinir ağları üzerinde etkili olduğunu göstermektedir.
Doğal dil anlayışı ve makine çevirisi yapay zekanın temel sorunlarından biri olarak kabul edilir, peki doğal dil anlayışı nedir? Araştırma durumu, zorlukları ve gelecekteki kalkınma yönleri nedir? Son iki veya üç yıl içinde, derin öğrenme teknolojisi birçok yapay zeka sorununun doğruluğunu önemli ölçüde geliştirmiştir. Peki, derin öğrenme teknolojisi doğal dil anlayışına ve makine çevirisine hangi yeni kalkınma fırsatları getirir? Doğal dil anlayışı ve makine çevirisi sorununu nasıl çözüyor? Bir sonraki geliştirme yönü nedir? Suzhou Üniversitesi Bilgisayar Okulu Dekan Yardımcısı Profesör Zhang Min, "Doğal dil ve makine çevirisi için derin öğrenme" raporu yayınladı.
Yapay zeka bilgi işleminin temeli olarak, çekirdek üreticisi Nvidia da doğal olarak ateşli yapay zeka ile bir patlama geliştirme dönemine girdi. Bu konferansta, Nvidia Çin'in Uygulamalı Derin Öğrenme Bölümü teknik müdürü Dr. Lai Junjie, konferansta "Video Akıllı İşleme Ürünleri'ne Derin Öğrenme Uygulaması" hakkında bir rapor hazırladı.
25 Mart'taki nihai rapor teması, Çin Bilimler Akademisi Bilgisayar Ağı Bilgi Merkezi'nde yardımcı araştırmacı Dr. Zhao Di tarafından tanımlanan "Derin Öğrenme ve Tıbbi Görüntüleme Büyük Veri Analizi" dir. Dr. Zhao Di, tıbbi büyük verilerin esas olarak elektronik sağlık kayıt verileri, tıbbi video verileri, genetik bilgi verileri vb. İçerdiğini söyledi. Bunlar arasında, tıbbi görüntü verileri bu aşamada tıbbi verilerin çoğunu açıklamaktadır. Tıbbi büyük veriler klinik uygulamaya nasıl uygulanır? Bu, hem tıbbi hem de bilgisayar araştırmacılarının çok endişe duyduğu bir sorundur ve akıllı görüntüler ve derin öğrenme iyi bir cevap sunar. Rapor, tıbbi görüntüleme büyük veri analizinin en son araştırma ilerlemesi ve bu araştırma grubunun tıbbi görüntüleme alanında, özellikle Alzheimer hastalığında MRG'nin erken teşhisinde çalışmaları ile birleşti. Büyük veri analizi ve erken uygulanması. Hastalık teşhisi.
26 Mart'taki ilk rapor, Güney Çin Teknoloji Üniversitesi Profesör Kim Lianwen tarafından "Kelimelerde Derin Öğrenme ve Uygulama Uygulaması" temasıyla ders verildi. Bu raporda Jin Lianwen, derin öğrenmenin ana teknolojilerini ve görüntü tanıma, metin tanıma, vb. Düzenleme ilerlemelerinden bazılarını kısaca gözden geçirdi. Aynı zamanda, yol imzası ve derin öğrenmeye dayalı yeni el yazısı metin tanıma yöntemi, yeni yönlendirme yöntemi, Ayrıca metin tanıma, dropsegment ve diğer derin öğrenme eğitimi teknolojileri için damla işlemi ve çevrimiçi büyük kategori metin tanıma, güzel yüz değer puanlama ve belirli alanlar için OCR çevrimiçi tanıma uygulamaları dahil olmak üzere derin öğrenmeye dayalı çeşitli uygulama gösteri sistemleri gösterin.
AI girişimlerinin temsilcilerinden biri olan Guling'in derin öğrencilerinin CTO'su Deng Yafeng, konferansta "Bilgisayar Görsel Büyük -Ölçekli Uygulamanın Büyük Uygulamasına Yol" na bir rapor yayınladı. Deng Yafeng ilk olarak araştırma hedeflerini, uygulama eğilimlerini tanıttı ve bilgisayar vizyonuyla yüzleşmek. İkincisi, ikincisi, iyi bir derin öğrenme ve veri döngüsü nasıl oluşturulacağı, derinlikle karşılaşma, "hissetmesine" ve "bilme" etkileşimi, daha az, daha az, algılamadan eyleme vb. Bilgisayar görüşü için büyük ölçekli uygulamalar için bir zorunluluktur.
Çin Bilimler Akademisi Otomasyon Enstitüsü Ulusal Kilit Laboratuvarı'nda araştırmacı Dr. Huang Kaic, nihayet konferansta "RGB-D nesne tanımlama ve sahne anlayışı" başlığı hakkında bir rapor yaptı. . Dr. Huang Keich, son on yılda RGB resimlerine dayanan 2D semantik anlayışın her zaman en ana araştırma yönünü işgal ettiğini belirtti. RGB resimleri, nesnelerdeki veya sahne ifadesindeki harici ışık ve gürültülü arka plandaki değişikliklerden kolayca etkilendiğinden, gerçek kullanımda RGB tabanlı resimlere dayanan bilgisayar algoritmalarının kullanımı. RGB-D tabanlı nesne tanıma ve sahne anlayışının araştırılmasını ve uygulanmasını büyük ölçüde teşvik eden nesne tanıma ve sahne anlayışını anlama ve senaryo anlayışı için olanaklar sağlar. Rapor aşağıdaki yönlerden genişletilmiştir: 1) Yapay tasarım özellikleri, denetimsiz öğrenme özellikleri ve derin öğrenme özellikleri dahil olmak üzere RGB-D'nin karakteristik ifadesini ve öğrenilmesini tartışın; 2) RGB-D; D ile ilgili uygulamaların modüler füzyonunu araştırmak ve nesne tanıma ve sahne anlayışındaki ilerleme.
-Düzlemsel Öğrenme Dönemi: Trendden yararlanın, daha yüksek bir yönde başlayın
Çin Electronics Derneği tarafından desteklenen "2017 Ulusal Derin Öğrenme Teknolojisi Uygulama Konferansı" 26 Mart'ta öğlen sona erdi. 14 konuk rapor kavramını iletirken: derin öğrenmenin görünümü birçok geleneksel araştırma yöntemi üzerinde belirli bir etkiye neden oldu. Geleneksel araştırma yöntemleri şu anda, trendde derin öğrenmenin uygulanması uygun bir seçimdir. Aynı zamanda, araştırmacılar daha derin çalışmalara da yatırım yapabilirler. Konferans şüphesiz derin öğrenme uygulama vakalarını ve daha fazla insana derin öğrenmenin yeni araştırma yönünü iletecek.
Leifeng.com'un orijinal makaleleri tarafından yetkilendirilmeden yeniden basılmıştır.
