Yapay zeka konusundaki en iyi uluslararası konferansın kağıt raporu toplantısı başarıyla yapıldı ve Shenzhen'in akademik gücü bir araya getirildi!
2017 sona yaklaşıyor ve yılın en iyi akademik konferansları başarılı bir sonuca ulaştı. Bazı harika yerli kağıt konuşmaları kaçırdığınız için pişmanlık duyuyorsanız, az önce tamamlanan "Yapay Zeka Uluslararası En İyi Konferans Bildiri Raporu" size farklı bir deneyim ve hasat verebilir.
20 Aralık sabahı (Çarşamba), "Yapay Zeka Uluslararası En İyi Konferans Bildiri Raporu", Shenzhen, Xili Üniversitesi Kasabası, Harbin Teknoloji Enstitüsü (Shenzhen), Bina F, Uluslararası Konferans Salonu'nda başarıyla gerçekleştirildi. Özel kooperatif medyası olarak Leifeng.com, ayın 20'sinde canlı yayın bağlantısı sağladı ve rapor desteği sağladı.
Toplantı sırasında Lei Feng.com AI Technology Review, Çin Yapay Zeka Derneği Gençlik Çalışma Komitesi Genel Sekreteri ve Harbin Teknoloji Enstitüsü (Shenzhen) Bilgisayar Bilimleri Okulu'ndan Profesör Xu Ruifeng ile görüştü. Profesör Xu Ruifeng, Leifeng.com AI Technology Review'e verdiği demeçte, o sabah düzenlenen "Yapay Zeka Uluslararası En İyi Konferans Raporu" nun esas olarak Çin Yapay Zeka Topluluğu Gençlik Çalışma Komitesinin yıllık akademik toplantısının bir parçası olarak düzenlendiğini söyledi.
Leifeng.com AI Technology Review, bu makale raporunun gündeminden, esas olarak Tsinghua Üniversitesi Shenzhen Yüksek Okulu, Peking Üniversitesi Shenzhen Yüksek Okulu, Harbin Teknoloji Enstitüsü (Shenzhen), Tencent AI Lab ve diğer üniversiteler ve araştırma kurumlarından personeli katılmaya davet ettiğini öğrendi. Temelde, AAAI, IJCAI, CVPR, ACL, ACM MM gibi yapay zeka alanındaki en iyi uluslararası konferanslarda bu yıl yayınlanan makaleler etrafında. Ek olarak, Tencent AI Lab, önümüzdeki yıl öne çıkan makalelere bir göz atmak için AAAI 2018 ve ACL 2018'in (TACL) en son kabul edilen makalelerini de getirdi. Profesör Xu Ruifeng'in girişine göre, bu tez raporu esas olarak adayları ve bildirileri öneren araştırma birimlerine doğrudan davet şeklinde yürütülecektir. Bölgesel sorunları hesaba katarsak, bu kez davetliler çoğunlukla Shenzhen'de yoğunlaşıyor.
Gündem sabah 9'da başlıyor. İş günü olmasına rağmen sabah sahne doluydu. Bu etkinliğe katılım ücretsiz olduğu için kişi sayısı için bir üst sınır yoktur.Vaktinde gelen pek çok öğrenci sadece mekanın etrafında kalabalık olarak durabilmektedir. Leifeng.com'un AI Teknoloji İncelemesine göre, katılımcılar esas olarak Guangdong Eyaletindeki üniversitelerden öğretmenler ve sınıf arkadaşlarıydı ve çoğu başka yerlerden geldi. Guangdong Yabancı Çalışmalar Üniversitesi'nden bir öğretmen gülümseyerek, "Haberleri alır almaz kaydolun. Okulun yakınındaki oteller neredeyse doluydu." Dedi.
Sabah gündeminin tamamı üç saatten fazla sürdü.Sekiz konuşmacının her biri 15 dakikalık bir sunum yaptı ve dinleyicilerden soru ve cevapları kabul etti.
İlk konuşmacı olarak Dr. Ning Yishuang, Tsinghua Üniversitesi'ndeki doktora çalışması sırasında Hong Kong Çin Üniversitesi, Sogou ve diğer araştırma enstitüleriyle işbirliği yaptığı AAAI 2017 kabul edilen "Konuşma Etkileşim Sistemlerinde Kullanıcı Niyetini Anlamak için Çok Görevli Derin Öğrenme" başlıklı makaleyi tanıttı. (Sesli etkileşim sistemindeki çok görevli derin öğrenmeye dayalı kullanıcının niyet anlayışı). Apple Siri, Sogou ses asistanı ve Microsoft Xiaona tarafından temsil edilen sesli etkileşim sisteminde, kullanıcının ses girişinde bulunan amacın doğru bir şekilde anlaşılması, kullanıcı deneyimini iyileştirmenin ve kullanıcı memnuniyetini artırmanın anahtarıdır. Bu makale, kullanıcının sesli etkileşim sistemini anlama niyetine odaklanır ve kullanıcı girdisinin anlambilimini karakterize eden Metin Odağı ile kullanıcının vurgusunu vurgulayan Konuşma Vurgusunu birleştiren çok görevli bir derin öğrenme modeli önerir. Sosyal ağ verileri ayrıca, kullanıcının niyetlerinin doğru bir şekilde anlaşılmasını sağlamak ve bilgisayarı daha "mantıklı" kılmak için kullanıcının lehçe alışkanlıklarını ve ifadelerini yansıtan coğrafi bilgileri modele entegre eder.
AI Bilim ve Teknoloji İncelemesine göre, bu makale, Çin Ulusal Doğa Bilimleri Vakfı'nın "Doğal Sözlü Diyalog için Derin Düzey Bilgi Algılama ve İfade Yöntemleri Araştırması" adlı genel projesi ve "İnternet Söylemi Anlayışının Psikolojik Mekanizması ve Hesaplamalı Modellemesi" anahtar projesinin önemli bir araştırma sonucudur. Birincisi, tezin eğitmenleri Wu Zhiyong, Jia Jia, Cai Lianhong vb.
2016'daki en yüksek profilli araştırma çalışmalarından biri Go AI idi. Ancak AlphaGo'nun aksine Pekin Üniversitesi Wang Jinzhuo, Wang Wenmin, Wang Ronggang, Gao Wen ve diğerleri tarafından önerilen yeni yöntem Monte Carlo ağaç aramasını kullanmıyor. AAAI 2017'de kabul edilen "Monte Carlo Ağaç Aramasının Ötesinde: Derin Alternatif Sinir Ağı ile Go Oynamak ve Uzun Süreli Değerlendirme" adlı makalede araştırmacılar, Go uzmanlarının bakış açısıyla satranç oynamanın daha iyi yollarını düşünmeye çalışıyorlar. Araştırmacılar, derin alternatif ağ (DANN) ve uzun vadeli değerlendirmeden (LTE) oluşan, her evrişimli katmandan sonra döngüsel bir katman ekleyen ve daha zengin hiyerarşik özellikler elde etmek için dönüşümlü olarak yığınlayan bir sistem kullandı; ayrıca aday için Madde, yürümeyi düşünen insan uzmanların düşünme tarzını simüle ederek kapsamlı bir olasılık değerlendirmesi gerçekleştirir (tek bir olasılık yerine). Araştırmacılar deneylerle, sistemin satranç gücünün de Monte Carlo ağaç aramasına dayanan mevcut yöntemlerin çoğundan daha güçlü olduğunu gösteriyor. Yazar, konuşmanın sonunda insan satranç oyuncularına olan güvenini dile getirerek, en iyi insan satranç oyuncularının makineler tarafından mağlup olmasına rağmen, insan deneyiminden öğrenecek bir şeyler olduğunu düşündü.
Tencent AI Lab ve King Abdullah University of Science and Technology arasındaki ortak makale "Diverse Image Annotation" ın bir temsilcisi olarak, Tencent AI Lab'den Wu Baoyuan CVPR 2017'nin bu kabul edilmiş makalesini tanıttı.
Konuşmanın başında Wu Baoyuan, Çeşitlilik Görüntü Açıklamasının (DIA) görsel anlamanın temeli olduğunu vurguladı. Bu aynı zamanda Tencent AI Lab'ın odaklandığı araştırma noktasıdır. Mevcut resim etiketlemede, araştırmacılar, mümkün olduğunca az kelime ile mümkün olduğunca çok resim bilgisi eklemek istiyorsanız, yalnızca fazlalığı azaltmanız gerekmediğini, aynı içeriği etiketleyen iki kelimenin oluşumunu da azaltmanız gerektiğini keşfettiler. Bunu başarmak için, araştırmacılar problemi iki gerekliliğe dönüştürdüler: 1) etiket açıklamalarının alaka düzeyini artırmak (görüntüyle ilgili); 2) kelimeler arasındaki çeşitliliği sağlamak (birbirine farklı).
Araştırmacıların karşılaştığı zorluklar: 1) Çeşitlilik ve alaka düzeyinden aynı anda ilgili boyutları nasıl formüle edebilirim? 2) Çeşitliliği değerlendirmek için bir gösterge nasıl kullanılır? Ekip basit ve uygulanabilir bir fikir benimsedi: DPP (determinantal nokta süreci) modeli aracılığıyla çeşitliliği ve alaka düzeyini kodlamak ve ağırlıklı anlamsal yollarla yeni anlamsal ölçüler formüle etmek. Başka bir deyişle, yol sayısının sağlanması ve karşılık gelen sözcüğün düzeyinin olabildiğince düşük tutulması (sözcüğün daha özel olduğunu belirtmek için) gereklidir.
Örnek olarak aşağıdaki figürü ele alalım. Hem "kişi" hem de "insanlar" aynı nesneye aittir. Bu nedenle, bu iki kelimenin aynı anda ortaya çıkmasının en aza indirilmesi gerekir.Aynı yolun seviyesi (insan-kadın-kadın) ne kadar derin olursa, bu demektir. Tanımlayıcı ne kadar spesifik olursa.
Harbin Institute of Technology (Shenzhen), Huawei'nin Noah's Ark Laboratorynin ortak çalışması olan "DeepFM: A Factorization-Machine based Neural Network for CTR Prediction", IJCAI 2017 tarafından kabul edildi. Ekip, kullanıcı davranışının arkasındaki özellik etkileşiminin nasıl öğrenileceğine odaklandı ve Öneri sisteminin TO'sunu en üst düzeye çıkarın.
Mevcut ana yöntemler yalnızca sırasıyla düşük seviyeli veya yüksek seviyeli birleşik özellikler elde edebilir. Örneğin, son uygulama popülerliği aracılığıyla kullanıcılar için alakalı kimliklere sahip uygulamalar önerin veya önerileri kullanıcı davranış süresine (örneğin yemek geldiğinde, paket servis uygulamalarının indirmeleri artacaktır) veya kullanıcının cinsiyetine göre sıralayın, Yaş ve yargılanacak diğer bilgiler (erkek kullanıcılara atış oyunları önermek gibi).
FM ve DNN'nin entegrasyonu sayesinde, araştırma ekibi Google'ın WideDeep'ine benzer fikirlere sahiptir. Wide, FM modelini temsil eder; derin, yüksek ve düşük sıralı özellikler-DeepFM kombinasyonunu vurgulayabilen uçtan uca bir model oluşturmak için derin sinir ağını temsil eder. Makaleye göre, DeepFM, gerçek uygulama pazarı verileri ve criteo veri setleri üzerinde deneysel olarak doğrulandı ve CTR ve AUC ve LogLoss tarafından tahmin edilen hesaplama verimliliği açısından mevcut modelleri (LR, FM, FNN, PNN, WD) geride bıraktı. .
Tencent AI LAB'den makale yazarları, "Sıradan Sıraya Yapısal Ayrıştırmayı İyileştirme" bölümünde kabul edilen makalelerini AAAI 2018'de paylaştı. Basitçe ifade etmek gerekirse, ekip doğal dil sözdizimi ağacını uçtan uca bir model aracılığıyla bir diziye dönüştürerek "girdi bir dizidir ve çıktı da bir dizidir" sonucunu elde etti. Belirli bir düğüm tahmin edilirken, uçtan uca sözdizimsel analizi gerçekleştirmek için yakın düğümlerin bilgileri önceden tahmin edilir.
Kısa bir kahve molası ve değişimin ardından Peking University Shenzhen Graduate School, ACM Multimedia 2017'de tez sonuçlarından birini paylaştı. "Video Tahmini için Öğrenme Nesnesi Merkezli Dönüşümü" bölümünde, Bilgi Mühendisliği Fakültesi'nde lisansüstü öğrencisi olan Chen Xiongtao ve bir süpervizör olan Profesör Wang Wenmin gibi yazarlar, nesne merkezli video tahmin problemi üzerinde derinlemesine bir çalışma yürüttüler. Derin dikkat mekanizmalarının ve hareket dönüşümü öğrenme yöntemlerinin kullanımı etkili olabilir Aynı sahnedeki farklı nesnelerin hareketlerini tahmin edin.
Ve bu yılki ACM Multimedia 2017'de, Profesör Wang Wenmin'in gözetimindeki yüksek lisans öğrencileri, Ana Bildiri Bölümü hakkında 2 makale, Tematik Atölyeler üzerine 1 makale ve "Uluslararası Çalıştay" yayınladı. "Multimedya Doğrulaması (MuVer)" hakkında 1 makale yayınlandı. Yukarıdaki araştırma, Shenzhen "Görüntü ve Video İşleme Teknolojisi" Peacock ekip projesi ve Shenzhen "Akıllı Multimedya ve Sanal Gerçeklik Anahtar Laboratuvarı" projesi tarafından desteklenmiştir.
Temsilci olarak, Tencent AI Lab'ın kıdemli bir araştırmacısı olan Zhaopeng Tu, Tencent AI Lab, Tsinghua Üniversitesi, Nanjing Üniversitesi, Toutiao, Waterloo Üniversitesi ve diğer kooperatif kurumları tarafından yazılan iki ACL 2018 (TACL) kabul belgesini paylaştı.
Tencent AI Lab perspektifinden bakıldığında, bu iki makale, belge düzeyindeki (iki dilli kelimeler) ve yeterlilik öğrenimindeki (çevrilmemiş modelleme) yeni girişimleridir.
Ekip, Tsinghua Üniversitesinden Liu Yang ile işbirliği yapan "Sürekli Önbellekle Çeviriyi Hatırlamayı Öğrenmek" te, geçmiş çeviri bilgilerini kaydetmek için Anahtar-Değer Bellek Ağını kullandı ve EMNLP2017 çalışmasının cümle arası bağlamını tek bir cümle alt düzeyinden iki dilli sözcük düzeyine yükseltti . Ekip, "Nöral Makine Çevirisi için Geçmişi ve Geleceği Modelleme" bölümünde, kaynak bilgisini geçmiş içerik ve çevrilmemiş içerik olmak üzere ikiye ayırdı ve iki ek yinelemeli katmanla modellendi. Bu içerikler, NMT sistemi için iki seviyede bilgi sağlamak üzere dikkat modeline ve kod çözücüye sağlanacaktır. Deneysel sonuçlar, bu yöntemin Çince-İngilizce, Almanca-İngilizce ve İngilizce-Almanca çeviri görevlerinin etkisini önemli ölçüde artırabildiğini ve kalite ve karşılaştırma hata oranı açısından geleneksel modellerden daha iyi olduğunu göstermektedir.
Tez raporunun sonunda Harbin Institute of Technology'de (Shenzhen) doktora öğrencisi olan Du Jiachen, IJCAI 2017'de ilk yazar olarak yayınlanan "Hedefe Özgü Sinir Dikkat Ağları ile Duruş Sınıflandırması" adlı makalesini paylaştı.
Geleneksel duygu sınıflandırması, duyguların olumlu ve olumsuz yönlerini basitçe ayırt eder.Ayrıca, orijinal metnin belirli bir hedefi belirtmemesi veya metinde çok sayıda metaforik söylemin olması nedeniyle, belirli hedefler için konum tespiti ve sınıflandırma dikkate değer bir sorun haline gelmiştir. Ekip, hedefe özel bilgileri sınıflandırmaya dahil etmek için bir sinir ağı modeli, 1) belirli bir hedef büyütme gömme modeli ve 2) belirli bir hedef dikkat sinyali ortaya koyar.
Profesör Xu Ruifeng ile iletişim kurarken, raporun tamamını dinledikten sonra en büyük hissin hala yapay zeka alanının genişliği olduğunu söyledi. "Teknolojinin çeşitli alanlarında bazı benzerlikler olsa da, bazı video yapma yöntemleri metin yapmaktan farklı. Yöntemler referans ve benimseme için de kullanılabilir, ancak aslında tüm sorunları kapsayacak bazı evrensel yöntemlere sahip olmak hala zordur. Örneğin, oyunda kullanılan yöntemler diğer sorun alanlarında daha az uygulanacaktır. "
Sabah "Yapay Zeka Uluslararası En İyi Konferans Bildiri Raporu" ndan sonra, öğleden sonra akademik yıllık toplantı ve çalışma konferansının ilgili gündemi yapıldı.Çin Bilimler Akademisi Otomasyon Enstitüsü'nden Zhang Jiajun, Harbin Teknoloji Enstitüsü'nden (Shenzhen) Zhang Chunkai, Cornflower Akıllı Teknoloji'den Wang Haofen'ın davetine ek olarak Akademik raporlara ek olarak, Bilgi Endüstrisi Enstitüsü'nden Ren Wenqi ve Harbin Teknoloji Enstitüsü'nden Zhang Weinan, Gençlik Çalışma Komitesi'nin çalışma planlarını ve tartışmalarını yürüttü.
Bu akademik yıllık toplantı, Aralık 2017'de sona erdi. 2018'de Gençlik Çalışma Komitesi'nin çalışmaları için önceden makul planlama ve konuşlandırma yaptı. Yeni yılda Çin Yapay Zeka Derneği Gençlik Çalışma Komitesi'nin daha fazlasını organize edeceğine inanıyorum. Birçok akademik etkinlik öğretmenler ve öğrenciler için geniş bir iletişim platformu sağlar. Leifeng.com AI Technology Review daha ayrıntılı raporlar getirmeye devam edecek.
Bu makaledeki resim Harbin Teknoloji Enstitüsü'nden Profesör Xu Ruifeng tarafından sağlanmıştır, çok teşekkür ederim.
