20190102-01 CMU王宇雄&NJU俞扬：元学习专题研讨
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：
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 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
小黑屋|手机版|Archiver|Vision And Learning SEminar
GMT+8, 2024-12-27 01:59 , Processed in 0.015525 second(s), 15 queries .
Powered by Discuz! X3.4
Copyright © 2001-2020, Tencent Cloud.