NeurIPS 2018 | 不可错过的七场重磅演讲!你最感兴趣的是哪一场?

今年的NeurIPS大会可谓是非常火爆:参会人数近9000人,且大会门票在11分钟内被全部抢光,这个堪比明星演唱会的抢票速度足以说明今年大会的受关注程度了。这场为期近一周的大会,都有哪些值得关注的亮点呢?下面,我们就来为你梳理一下大会期间的七场重磅演讲内容。

1. 技术创新中多样性和包容性的必要(The Necessity of Diversity and Inclusivity In Tech)

演讲人:Laura Gomez女士,Atipica公司创始人兼首席执行官

图片来源:LinkedIn

2. 当机器学习遇到公共政策:有何期待及如何应对(Machine Learning Meets Public Policy: What to Expect and How to Cope)

演讲人:Edward Felton博士,普林斯顿大学

图片来源:普林斯顿大学官网

AI和机器学习已经对世界产生了巨大的影响。政策制定者已经注意到了这一点,并制定了相应的法律法规,探讨社会应当如何管理这些技术的发展。本演讲将概述决策者如何应对新技术和人工智能机器学习的发展过程,以及为什么建设性地参与政策决策过程将为该领域、政府和社会带来更好的结果

3. 你的身体在想什么:神经系统外的生物电计算,原始认知和合成形态学(What Bodies Think About: Bioelectric Computation Outside the Nervous System, Primitive Cognition, and Synthetic Morphology)

演讲人:Michael Levin博士,塔夫茨大学(Tufts University)

图片来源:塔夫茨大学官网

大脑的计算能力并非独一无二。细菌、植物和单细胞生物都表现出了学习能力和可塑性;神经系统加速了信息处理的优化,这些信息处理在生命中无处不在,甚至在神经元进化之前就已经存在了。在这次演讲中,我将介绍发展生物电学的基础知识,并展示新的概念和方法的进步如何让重写模式记忆成为可能,从而可以在无需基因组编辑的情况下指导形态发生。实际上,这些策略可以对生物电软件进行重新编程,从而实现多细胞模式目标状态。同时,我将展示再生医学和认知神经可塑性的应用实例,并说明合成生物工程、机器人和机器学习的未来影响

4. 可复制、可重新使用和可靠的强化学习(Reproducible, Reusable, and Robust Reinforcement Learning)

演讲人:Joelle Pineau博士,麦吉尔大学(McGill University)

图片来源:麦吉尔大学官网

近年来,我们在深度强化学习方面取得了显著的成绩。然而,目前最先进的深度强化学习方法很少有直接的复现结果。当环境或奖励具有很强的随机性时,一些方法的高度差异会使学习过程变得特别困难。此外,在特定领域或实验过程中,即使是很小的干扰,也可能导致结果的变动。在这次演讲中,我将回顾在深度强化学习领域的实验技术和报告过程中出现的挑战。我还将描述一些最近的结果和指导方针,旨在使未来的结果更具可复制性、可重用性和可靠性

5. 探究人类与AI信任现象(Investigations into the Human-AI Trust Phenomenon)

演讲人:Ayanna Howard博士,佐治亚理工学院(Georgia Institute of Technology)

图片来源:佐治亚理工学院官网

随着智能系统在日常活动中与人类的互动越来越充分,我们必须更加仔细审视信任的作用。信任传达了这样的概念:当与智能系统交互时,人类往往表现出与其他人类交互时相似的行为,因此可能会误解遵从机器的决策所带来的风险。偏见会进一步影响信任或过度信任的潜在风险,因为这些系统通过模仿我们自己的思维过程、继承我们自己的隐含偏见来学习。在这个演讲中,我将通过智能系统未来将与人们进行互动的不同场景,来讨论这一现象。

6. 使算法值得信赖:统计科学可以为透明度、解释和验证做出什么样的贡献?(Making Algorithms Trustworthy: What Can Statistical Science Contribute to Transparency, Explanation and Validation?)

演讲人:David Spiegelhalter博士,剑桥大学

图片来源:The Royal Society

对自动化咨询系统的透明度、可解释性和经验验证的要求并不新鲜。早在 20 世纪 80 年代,基于规则系统的支持者和基于统计模型的支持者之间就进行了一些讨论。一个四阶段医疗咨询系统评估过程建立了起来,并在药物研发的过程中进行使用。最近,欧盟立法将注意力集中在算法能否显示其工作原理上。受Onora O'Neill强调展示可信度以及她“智能透明”理念的启发,我们在理想情况下应该能够检查算法的经验基础、其过去的表现、其当前声明背后的推理(包括临界点和假设)、以及其当前声明的不确定性,包括最新案例是否属于其职权范围等

这些想法将通过Predict 2.1系统来说明,该系统适用于乳腺癌手术后选择辅助治疗的女性,基于竞争风险生存回归模型,由专业心理学家与临床医生和患者密切合作开发。Predict 2.1对所声称的替代治疗的潜在益处和危害有四个层次的解释,目前在平均一个月约25000个全球范围内的临床决策中使用

7. 为软件2.0设计计算机系统(Designing Computer Systems for Software 2.0)

演讲人:Kunle Olukotun博士,斯坦福大学

图片来源:斯坦福大学官网

使用机器学习从数据生成模型正在取代许多应用程序的传统软件开发过程。我们开发软件的方式发生了根本性的变化,新的方式称为Software 2.0,它极大地提高了这些应用程序的质量,且简化了其使用过程。Software 2.0方法的持续成功和扩展必须得到为机器学习应用程序量身定制的强大、高效和灵活的计算机系统的支持。这个演讲将描述一种优化计算机系统的设计方法,以满足机器学习应用需求。全栈设计方法集成了针对应用程序特性和现代硬件优势进行优化的机器学习算法、为可编程性和性能设计的领域特定语言和高级编译技术,以及同时实现高灵活性和高能效的硬件架构。

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业演讲强化学习NeurIPS机器学习
1
相关数据
深度强化学习技术

强化学习(Reinforcement Learning)是主体(agent)通过与周围环境的交互来进行学习。强化学习主体(RL agent)每采取一次动作(action)就会得到一个相应的数值奖励(numerical reward),这个奖励表示此次动作的好坏。通过与环境的交互,综合考虑过去的经验(exploitation)和未知的探索(exploration),强化学习主体通过试错的方式(trial and error)学会如何采取下一步的动作,而无需人类显性地告诉它该采取哪个动作。强化学习主体的目标是学习通过执行一系列的动作来最大化累积的奖励(accumulated reward)。 一般来说,真实世界中的强化学习问题包括巨大的状态空间(state spaces)和动作空间(action spaces),传统的强化学习方法会受限于维数灾难(curse of dimensionality)。借助于深度学习中的神经网络,强化学习主体可以直接从原始输入数据(如游戏图像)中提取和学习特征知识,然后根据提取出的特征信息再利用传统的强化学习算法(如TD Learning,SARSA,Q-Learnin)学习控制策略(如游戏策略),而无需人工提取或启发式学习特征。这种结合了深度学习的强化学习方法称为深度强化学习。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

统计模型技术

统计模型[stochasticmodel;statisticmodel;probabilitymodel]指以概率论为基础,采用数学统计方法建立的模型。有些过程无法用理论分析方法导出其模型,但可通过试验测定数据,经过数理统计法求得各变量之间的函数关系,称为统计模型。常用的数理统计分析方法有最大事后概率估算法、最大似然率辨识法等。常用的统计模型有一般线性模型、广义线性模型和混合模型。统计模型的意义在对大量随机事件的规律性做推断时仍然具有统计性,因而称为统计推断。常用的统计模型软件有SPSS、SAS、Stata、SPLM、Epi-Info、Statistica等。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

生成模型技术

在概率统计理论中, 生成模型是指能够随机生成观测数据的模型,尤其是在给定某些隐含参数的条件下。 它给观测值和标注数据序列指定一个联合概率分布。 在机器学习中,生成模型可以用来直接对数据建模(例如根据某个变量的概率密度函数进行数据采样),也可以用来建立变量间的条件概率分布。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~