设为首页收藏本站

VALSE

VALSE 首页 活动通知 好文作者面授招 查看内容

20190102-01 CMU王宇雄&NJU俞扬:元学习专题研讨

2018-12-27 20:05| 发布者: 程一-计算所| 查看: 1898| 评论: 0

摘要: VALSE Webinar改版说明:自2019年1月起,VALSE Webinar改革活动形式,由过去每次一个讲者的方式改为两种可能的形式:1)Webinar专题研讨:每次活动有一个研讨主题,先邀请两位主题相关的优秀讲者做专题报告(每人30 ...


VALSE Webinar改版说明:

自2019年1月起,VALSE Webinar改革活动形式,由过去每次一个讲者的方式改为两种可能的形式:

1)Webinar专题研讨:每次活动有一个研讨主题,先邀请两位主题相关的优秀讲者做专题报告(每人30分钟),随后邀请额外的2~3位嘉宾共同就研讨主题进行讨论(30分钟)。

2)Webinar特邀报告:每次活动邀请一位资深专家主讲,就其在自己熟悉领域的科研工作进行系统深入的介绍,报告时间50分钟,主持人与主讲人互动10分钟,自由问答10分钟。


报告时间:2019年1月2日(星期三)晚上20:00(北京时间)

主题:从元学习的角度看待和思考通用智能

主持人:山世光(中科院计算所)


报告嘉宾:王宇雄(美国卡耐基梅隆大学)

报告题目:Meta-Learning for Few-Shot Visual Recognition


报告嘉宾:俞扬(南京大学)

报告题目:元学习在跨环境强化学习和超参优化中的一些研究进展


Panel议题:

  1. 能给元学习一个清晰的定义吗?Meta-learning等于learning to learn吗?

  2. 元学习的能与不能?元学习到目前为止最成功的例子是什么?

  3. 元学习会是后深度学习时代助推AI的关键技术吗?

  4. 元学习和迁移学习、领域自适应等有何关联和区别?

  5. 元学习能实现类人的举一反三与触类旁通能力吗?

  6. 人脑有很强的可塑性和代偿能力,暗示着神经系统存在通用“元算法”。元学习是否有这方面的可能尝试?

Panel嘉宾:

王宇雄(美国卡耐基梅隆大学)、俞扬(南京大学)、孟德宇(西安交通大学)、左旺孟(哈尔滨工业大学)、苏航(清华大学)



报告嘉宾:王宇雄(美国卡耐基梅隆大学)

报告时间:2019年1月2日(星期三)晚上20:00(北京时间)

报告题目:Meta-Learning for Few-Shot Visual Recognition


报告人简介:

王宇雄,目前为卡耐基梅隆大学机器人研究所博士后,博士毕业于卡耐基梅隆大学,主要研究领域为计算机视觉和机器学习,具体为元学习、小样本学习等方面的研究。


个人主页:

https://www.ri.cmu.edu/ri-people/yuxiong-wang/


报告摘要:

当前人工智能获得的重大突破得益于海量标注数据的深度学习。训练样本不足,长尾分布成为制约智能识别系统实用化的瓶颈问题。相反,人类能够从极少样本中学习新的概念,并举一反三。本次报告介绍我们在小样本学习、元学习、迁移学习与持续学习等方向的研究工作。在元学习的框架之下,我们从已有任务或者模型中学习并迁移任务和模型空间的结构信息,使得识别系统极大地减少了处理新任务所需的标注样本数量,并能够从多样任务中持续学习。


参考文献:

[1] Yu-Xiong Wang, Ross Girshick, Martial Hebert, Bharath Hariharan, “Low-Shot Learning from Imaginary Data”, in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018.

[2] Liang-Yan Gui, Yu-Xiong Wang, Deva Ramanan, José M. F. Moura, “Few-Shot Human Motion Prediction via Meta-Learning”, in European Conference on Computer Vision (ECCV), 2018.

[3] Yu-Xiong Wang, Deva Ramanan, Martial Hebert, “Learning to Model the Tail”, in Proceedings of the Annual Conference on Neural Information Processing Systems (NeurIPS), 2017.

[4] Yu-Xiong Wang, Deva Ramanan, Martial Hebert, “Growing a Brain: Fine-Tuning by Increasing Model Capacity”, in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.

[5] Yu-Xiong Wang, Martial Hebert, “Learning from Small Sample Sets by Combining Unsupervised Meta-Training with CNNs”, in Proceedings of the Annual Conference on Neural Information Processing Systems (NeurIPS), 2016.

[6] Yu-Xiong Wang, Martial Hebert, “Learning to Learn: Model Regression Networks for Easy Small Sample Learning”, in  European Conference on Computer Vision (ECCV), 2016.

[7] Yu-Xiong Wang, Martial Hebert, “Model Recommendation: Generating Object Detectors from Few Samples”, in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.



报告嘉宾:俞扬(南京大学)

报告时间:2019年1月2日(星期三)晚上20:30(北京时间)

报告题目:元学习在跨环境强化学习和超参优化中的一些研究进展


报告人简介:

俞扬,博士,南京大学副教授。主要研究领域为机器学习、强化学习。分别于2004年和2011年获得南京大学计算机科学与技术系学士学位和博士学位,获2013年全国优秀博士学位论文奖、2011年CCF优秀博士学位论文奖。2011年8月加入南京大学计算机科学与技术系、机器学习与数据挖掘研究所(LAMDA)从事教学与科研工作。在Artificial Intelligence、IJCAI、AAAI、NIPS等发表论文多篇,获得4项国际论文奖、OpenAI 2018 Retro Contest冠军队、PAKDD2006数据挖掘竞赛冠军队,入选2018年IEEE Intelligent Systems杂志评选的“AI's 10 to Watch”,获2018 PAKDD Early Career Award,受邀在IJCAI’18作关于强化学习的Early Career报告。


个人主页:

http://lamda.nju.edu.cn/yuy


报告摘要:

随着机器学习被用于越来越复杂的场景中,其开放环境适应能力的需求日益凸显,而经典学习方法往往在封闭环境的条件下设计,这对设计新的可跨环境学习方法提出了要求。近年在元学习(Meta-Learning)方向的探索,显示出“感知—适应”的跨环境思路。本次报告将汇报我们最近在这一方面的研究进展,在超参数优化和强化学习问题中,新的“感知—适应”方法显示出了提高样本利用率的效果。


参考文献:

[1] Yi-Qi Hu, Yang Yu, Wei-Wei Tu, Qiang Yang, Yuqiang Chen, and Wenyuan Dai. Multi-fidelity automatic hyper-parameter tuning via transfer series expansion. In: AAAI’19.

[2] Yi-Qi Hu, Yang Yu, Zhi-Hua Zhou. Experienced optimization with reusable directional model for hyper-parameter search. In: IJCAI'18

[3] Jing-Cheng Shi, Yang Yu, Qing Da, Shi-Yong Chen, and An-Xiang Zeng. Virtual-Taobao: Virtualizing real-world online retail environment for reinforcement learning. In: AAAI’19.

[4] Chao Zhang, Yang Yu, Zhi-Hua Zhou. Learning environmental calibration actions for policy self-evolution. In: IJCAI'18.

[5] Yang Yu, Shi-Yong Chen, Qing Da, Zhi-Hua Zhou. Reusable reinforcement learning via shallow trails. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(6): 2204-2215.

[6] Yang Yu.  Towards sample efficient reinforcement learning. In: IJCAI'18.



Panel嘉宾:孟德宇(西安交通大学)


嘉宾简介:

西安交通大学数学与统计学院教授,博导。共接收/发表论文80余篇,其中包括IEEE汇刊论文24篇,ccf a类会议论文32篇。目前主要聚焦于自步学习、误差建模、张量稀疏性等机器学习相关方向的研究。


个人主页:

http://dymeng.gr.xjtu.edu.cn


Panel嘉宾:左旺孟(哈尔滨工业大学)


嘉宾简介:

左旺孟,哈尔滨工业大学计算机学院教授、博士生导师。主要从事图像增强与复原、图像编辑与生成、物体检测与目标跟踪、图像与视频分类等方面的研究。在CVPR/ICCV/ECCV等顶级会议和T-PAMI、IJCV及IEEE Trans.等期刊上发表论文80余篇。


个人主页:

http://homepage.hit.edu.cn/wangmengzuo


Panel嘉宾:苏航(清华大学)


嘉宾简介:

苏航,清华大学计算机系助理研究员。主要关注可理解人工智能理论、计算机视觉和强化学习等相关领域,先后CVPR、IJCAI、ECCV和TMI等人工智能顶级国际会议和期刊发表论文50余篇,并荣获ICME2018“白金最佳论文”,AVSS2012“最佳论文奖”和MICCAI2012的“青年学者奖”,作为主要技术负责人,获得 ViZDoom 2018国际FPS赛事历史上首个中国区冠军。


个人主页:

http://www.suhangss.me


19-01期VALSE在线学术报告参与方式:


长按或扫描下方二维码,关注“VALSE”微信公众号(valse_wechat),后台回复“01期”,获取直播地址。



特别鸣谢本次Webinar主要组织者:

主办AC:山世光

协办AC:孟德宇,左旺孟,苏航

责任AC:严骏驰


活动参与方式:

1、VALSE Webinar活动依托在线直播平台进行,活动时讲者会上传PPT或共享屏幕,听众可以看到Slides,听到讲者的语音,并通过聊天功能与讲者交互;

2、为参加活动,请关注VALSE微信公众号:valse_wechat 或加入VALSE QQ群(目前A、B、C、D、E、F、G群已满,除讲者等嘉宾外,只能申请加入VALSE H群,群号:701662399);

*注:申请加入VALSE QQ群时需验证姓名、单位和身份,缺一不可。入群后,请实名,姓名身份单位。身份:学校及科研单位人员T;企业研发I;博士D;硕士M。

3、在活动开始前5分钟左右,讲者会开启直播,听众点击直播链接即可参加活动,支持安装Windows系统的电脑、MAC电脑、手机等设备;

4、活动过程中,请不要说无关话语,以免影响活动正常进行;

5、活动过程中,如出现听不到或看不到视频等问题,建议退出再重新进入,一般都能解决问题;

6、建议务必在速度较快的网络上参加活动,优先采用有线网络连接;

7、VALSE微信公众号会在每周四发布下一周Webinar报告的通知及直播链接。

8、Webinar报告的PPT(经讲者允许后),会在VALSE官网每期报告通知的最下方更新[slides]

9、Webinar报告的视频(经讲者允许后),会更新在VALSE爱奇艺空间,请在爱奇艺关注Valse Webinar进行观看。


俞扬[slides]

最新评论

Archiver|手机版|小黑屋|Vision And Learning SEminar    

GMT+8, 2019-5-27 07:51 , Processed in 0.038096 second(s), 17 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

返回顶部