人工智能論壇0001

1、人工智能論壇內(nèi)容簡(jiǎn)介1 .吳建鑫教授：深度學(xué)習(xí)實(shí)踐：庖丁解牛與盲人摸象摘要：深度學(xué)習(xí)是目前計(jì)算機(jī)視覺(jué)與機(jī)器學(xué)習(xí)領(lǐng)域最熱門、也是在很多實(shí)際問(wèn)題中實(shí)踐效果最好的方法。然而，深度學(xué)習(xí)，尤其是卷積神經(jīng)網(wǎng)絡(luò) CNN的機(jī)理目前尚不明確。 本次報(bào)告將介紹我們研究組在CNN深度學(xué)習(xí)方向上兩個(gè)方面的實(shí)踐：庖丁解牛與盲人摸象。庖丁解牛即將 CNN的各個(gè)構(gòu)成模塊分別探索，發(fā)現(xiàn)其優(yōu)缺點(diǎn)并加以改進(jìn)，從而 對(duì)CNN的各個(gè)模塊形成深入的理解。盲人摸象即對(duì)在 ImageNet上學(xué)習(xí)到的CNN預(yù)訓(xùn) 練模型能起到什么樣的作用加以研究，在 CNN整體機(jī)理尚不清楚的前提下，對(duì)預(yù)訓(xùn)練 模型在各個(gè)視覺(jué)問(wèn)題中的無(wú)監(jiān)督應(yīng)用加以研究。2 .張

2、道強(qiáng)教授:Human Brain Mapping and Decoding: An OverviewAbstract: A universal unanswered question in neuroscience and machine learning is whether computers can break the neural codes. Machine learning algorithms to encode information into neural activity and extract information from brain patterns afford

3、an understanding of how percepts, memories, thought and knowledge are represented in patterns of brain activities. Most of the previous studies have employed task-based functional Magnetic Resonance Imaging (fMRI) datasets for breaking the neural codes because it provides better spatial resolution i

4、n comparison with other modalities. Indeed, fMRI enables us to ask what information is represented in a region of the human brain and how that information is encoded, instead of asking what a region function is. This talk reviews two challenges in fMRI analysis, i.e. functional alignment, and featur

5、e selection. First of all, we introduce hyperalignment method and its application in fMRI analysis. And then two new approaches will be presented to improve the performance of functional alignment, including deep and supervised methods. After that, the reasons and difficulties of selecting features

6、in task -based fMRI analysis will be discussed. Here, a novel anatomical -based feature selection method for analyzing whole-brain fMRI datasets will be introduced. In the end, we will explain some future works.3 .耿新教授：面向標(biāo)記分布學(xué)習(xí)的標(biāo)記增強(qiáng)摘要：許多機(jī)器學(xué)習(xí)任務(wù)都可以泛化為對(duì)給定的示例預(yù)測(cè)不同標(biāo)記的描述度（即標(biāo)記描述示例的程度），而所有標(biāo)記對(duì)一個(gè)示例的描述度構(gòu)成該示例的標(biāo)記

7、分布，在以標(biāo)記分 布標(biāo)注的數(shù)據(jù)集上學(xué)習(xí)的過(guò)程稱為標(biāo)記分布學(xué)習(xí)。現(xiàn)實(shí)世界中存在不少本身就具有標(biāo)記分布信息的數(shù)據(jù)，而更多情況下，標(biāo)記分布信息不完整時(shí)，可通過(guò)先驗(yàn)知識(shí)或者機(jī)器學(xué) 習(xí)方法生成完整的標(biāo)記分布，這一過(guò)程稱為標(biāo)記增強(qiáng)。標(biāo)記分布學(xué)習(xí)方法配合標(biāo)記增強(qiáng) 方法能夠有效匹配大多數(shù)有監(jiān)督學(xué)習(xí)問(wèn)題，具有廣泛的應(yīng)用前景。4 .管子玉教授：基于弱標(biāo)注信息的深度學(xué)習(xí)摘要：深度學(xué)習(xí)近年來(lái)獲得了學(xué)術(shù)界和工業(yè)界廣泛關(guān)注。但是，深層神經(jīng)網(wǎng)絡(luò)需要通過(guò) 大量的訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)。傳統(tǒng)的無(wú)監(jiān)督預(yù)學(xué)習(xí)技術(shù)假設(shè)數(shù)據(jù)的分布能有效幫助學(xué)習(xí)目標(biāo) 語(yǔ)義，因此并不能很好地解決語(yǔ)義鴻溝問(wèn)題。而在有監(jiān)督學(xué)習(xí)方面，針對(duì)具體學(xué)習(xí)任務(wù) 的大規(guī)模標(biāo)注數(shù)據(jù)

8、也較難獲得。弱標(biāo)注數(shù)據(jù)指的是由于存在噪聲或者不契合等問(wèn)題而無(wú) 法直接用于解決所關(guān)注學(xué)習(xí)任務(wù)的語(yǔ)義標(biāo)注，如社會(huì)化標(biāo)簽、互聯(lián)網(wǎng)用戶產(chǎn)生的評(píng)論評(píng)分。弱標(biāo)注數(shù)據(jù)中含有大量的語(yǔ)義信息，如何有效利用這些信息訓(xùn)練神經(jīng)網(wǎng)絡(luò)是亟需解決的問(wèn)題。本次報(bào)告主要對(duì)我們近期在該領(lǐng)域開展的一些研究工作進(jìn)行介紹：（1）利用評(píng)論評(píng)分信息學(xué)習(xí)深層情感分類模型；（2）利用圖片級(jí)標(biāo)注學(xué)習(xí)圖片中物體的哈希表示， 解決基于物體的圖像檢索問(wèn)題；（3）利用社會(huì)化標(biāo)簽標(biāo)注數(shù)據(jù)提升圖像檢索性能。5 .鄭偉詩(shī)教授：行為意圖預(yù)測(cè)分析研究摘要：不同于行為識(shí)別，行為意圖預(yù)測(cè)分析僅利用部分已觀察的視頻片段，實(shí)現(xiàn)整個(gè)視 頻動(dòng)作行為類別的預(yù)測(cè)。這次報(bào)告將重點(diǎn)

9、介紹我們最近基于視頻數(shù)據(jù)的行為意圖預(yù)測(cè)分 析的研究成果。同時(shí)，我們也將簡(jiǎn)要介紹本組與之相關(guān)的交互行為分析工作，包括基于 模板學(xué)習(xí)的人物交互行為分析、多通道異質(zhì)特征數(shù)據(jù)融合的人物交互行為分析、基于廣義相似性函數(shù)的人與人交互建模的多人交互行為分析學(xué)習(xí)模型。6 .陳偉能教授：基于概率分布的演化算法摘要：演化計(jì)算和群體智能方法，是通過(guò)模擬自然界中群體的智能現(xiàn)象和行為來(lái)求解問(wèn) 題的一類方法。由于它不依賴于待解問(wèn)題的數(shù)學(xué)模型特性，在解決復(fù)雜的優(yōu)化問(wèn)題時(shí)具有獨(dú)特的優(yōu)勢(shì)。本報(bào)告將介紹一類特殊的演化算法一一基于概率分布的演化算法，提出兩類基于概率分布估計(jì)的演化算法框架： 多解優(yōu)化概率分布演化方法， 以及基于概率

10、分 布的連續(xù)-離散混合空間優(yōu)化方法。前者通過(guò)將基于概率分布的EC算法思想和小生境(Niching)技術(shù)相結(jié)合，通過(guò)建立具備概率模型提高算法的搜索多樣性，并提高算法在不確定環(huán)境中的求解能力；后者針對(duì)如粒子群優(yōu)化( particle swarm optimization , PSO) 等部分重要的EC算法傳統(tǒng)上定義于連續(xù)空間，難以直接用于離散優(yōu)化問(wèn)題的不足，引 入概率分布的思想，將問(wèn)題的解定義為集合，將算法的速度定義和解更新過(guò)程重定義為 學(xué)習(xí)概率的更新，從而將算法拓展于連續(xù)、離散混合空間。最后，本報(bào)告將介紹上述方 法在實(shí)際工程問(wèn)題中的應(yīng)用。7 .熊德意教授：從機(jī)器翻譯看自然語(yǔ)言對(duì)話及其挑戰(zhàn)摘要：機(jī)

11、器翻譯和自然語(yǔ)言對(duì)話是人工智能中的一對(duì)姊妹花，兩者都是AI-完全問(wèn)題，且都依托于自然語(yǔ)言理解，具有相似的形式化描述和方法論體系。近年來(lái)，這對(duì)姊妹花 在學(xué)術(shù)界和工業(yè)界中引起了極大的研究興趣。隨著兩者本身技術(shù)的發(fā)展以及大數(shù)據(jù)、云計(jì)算技術(shù)的推動(dòng)，機(jī)器翻譯和自然語(yǔ)言對(duì)話都處在產(chǎn)業(yè)發(fā)展的拐點(diǎn)。本報(bào)告將探討機(jī)器翻譯技術(shù)在自然語(yǔ)言對(duì)話中的應(yīng)用，并從大數(shù)據(jù)和自然語(yǔ)言理解的角度分析兩者面臨的挑戰(zhàn)。8 .彭紹亮教授：大超人：天河超級(jí)計(jì)算機(jī)上的人工智能醫(yī)生摘要：機(jī)器人能掛號(hào)看病？基于國(guó)家超級(jí)計(jì)算長(zhǎng)沙中心的天河超級(jí)計(jì)算機(jī)和健康醫(yī)療大 數(shù)據(jù)研發(fā)的輔助診療機(jī)器人已經(jīng)初具雛形，堪稱大數(shù)據(jù)、超級(jí)計(jì)算和人工智能技術(shù)在醫(yī)療健康領(lǐng)

12、域中的完美應(yīng)用案例。2015年Gartner等調(diào)查報(bào)告：“14乙人口的國(guó)家，每千人醫(yī)生1.75,每千人農(nóng)業(yè)人口的醫(yī)生只有0.47,誤診率高于40%。醫(yī)療資源的嚴(yán)重缺乏和誤診率的不斷攀升造成國(guó)家和人民巨額醫(yī)療、醫(yī)保開銷，醫(yī)患矛盾不斷加劇。如何 解決這些尖銳矛盾，全面提高全民醫(yī)療和健康水平。大超人”經(jīng)過(guò)多年的技術(shù)儲(chǔ)備、研發(fā)和測(cè)試橫空出世。什么是 大超人”：醫(yī)療大數(shù)據(jù)+天河超級(jí)計(jì)算機(jī)+人工智能算法。 大 超人”是國(guó)際首個(gè)面向臨床應(yīng)用的機(jī)器人全科醫(yī)生，包括健康體檢機(jī)器人”、智能分導(dǎo)診機(jī)器人”、臨床診斷輔助決策機(jī)器人”、巡房機(jī)器人”、家庭健康機(jī)器人”、骨質(zhì)疏 松篩查機(jī)器人”等系統(tǒng)，從 診前"、

13、診中“、診后” 3階段全力支持和輔助醫(yī)生進(jìn)行全方 位精準(zhǔn)的智能診療，并呵護(hù)病人和每個(gè)家庭成員的健康。大超人初期的研發(fā)和測(cè)試都基于天河超級(jí)計(jì)算機(jī)和海量醫(yī)療健康大數(shù)據(jù)，采用機(jī)器學(xué)習(xí)等人工智能算法，研發(fā)了更符合醫(yī)學(xué)邏輯的人工智能混合算法平臺(tái)，在診斷中學(xué)習(xí)，在學(xué)習(xí)中診斷。該系統(tǒng)目前已于 2016年在國(guó)內(nèi)多家三甲醫(yī)院進(jìn)行了部署、測(cè)試、試運(yùn)行，掛號(hào)機(jī)器人準(zhǔn)確率達(dá)9成以上，診療速度比人工快 2-10倍，誤診率下降20%以上。在2017年8月19日，在第20 屆全國(guó)高等醫(yī)學(xué)院校診斷學(xué)教學(xué)改革研討會(huì)上（南華醫(yī)院），進(jìn)行了 入機(jī)PK',將100份電子病歷導(dǎo)入系統(tǒng)中，現(xiàn)場(chǎng) 4.8秒給出的診斷結(jié)果，每個(gè)病人用

14、時(shí)不到0.05秒，準(zhǔn)確率達(dá)到100%,得到我國(guó)臨床診斷學(xué)領(lǐng)軍人 一一首都醫(yī)科大學(xué)臨床檢驗(yàn)診斷學(xué)系主任康 熙雄教授等200多位與會(huì)醫(yī)療專家的熱烈互動(dòng)和點(diǎn)贊！國(guó)際國(guó)內(nèi)幾十家媒體進(jìn)行了現(xiàn)場(chǎng)直播和報(bào)道（CCTV,湖南衛(wèi)視等）。2018年骨質(zhì)疏松篩查機(jī)器人已經(jīng)在湖南湘雅等幾十 家醫(yī)院門診部署，24小時(shí)無(wú)人值守模式下已經(jīng)接待了1萬(wàn)多名患者，準(zhǔn)確率超過(guò)90%。相關(guān)研究成果于2018年2月在Science上正式發(fā)表。9 .李天瑞教授：數(shù)據(jù)驅(qū)動(dòng)智能的挑戰(zhàn)和解決方案摘要：本報(bào)告首先概述了數(shù)據(jù)驅(qū)動(dòng)智能的幾大主要挑戰(zhàn)，包括合理數(shù)據(jù)采集、數(shù)據(jù)量大、數(shù)據(jù)動(dòng)態(tài)性、數(shù)據(jù)不確定性、數(shù)據(jù)多源異構(gòu)性以及數(shù)據(jù)隱私保護(hù)等問(wèn)題，接著概述

15、了數(shù)據(jù)驅(qū)動(dòng)智能的四個(gè)要素，包括數(shù)據(jù)、算法、計(jì)算力和行業(yè)應(yīng)用，最后重點(diǎn)介紹我們近期在數(shù)據(jù)驅(qū)動(dòng)智能方面的工作進(jìn)展，包括大規(guī)模增量特征選擇算法設(shè)計(jì)，并行知識(shí)發(fā)現(xiàn)方法以及在高鐵大數(shù)據(jù)和智慧城市方面應(yīng)用等。10 .孟德宇教授：大數(shù)據(jù)環(huán)境下的機(jī)器學(xué)習(xí)誤差建模方法摘要：傳統(tǒng)機(jī)器學(xué)習(xí)主要關(guān)注于確定性信息的建模，而在復(fù)雜場(chǎng)景下，機(jī)器學(xué)習(xí)方法容易出現(xiàn)對(duì)數(shù)據(jù)噪音的魯棒性問(wèn)題，而該魯棒性問(wèn)題與誤差函數(shù)的選擇緊密相關(guān)。本次報(bào)告聚焦于如何針對(duì)包含復(fù)雜噪音數(shù)據(jù)進(jìn)行誤差建模的魯棒機(jī)器學(xué)習(xí)原理。這一原理對(duì)在線視頻處理、醫(yī)學(xué)圖像恢復(fù)等問(wèn)題，已體現(xiàn)出個(gè)性化的應(yīng)用優(yōu)勢(shì)，該原理亦有希望能夠引導(dǎo)出更多有趣的機(jī)器學(xué)習(xí)相關(guān)應(yīng)用與發(fā)現(xiàn)。11 .郭平教授：天文學(xué)中的人工智能12 .李武軍副教授：并行與分布式隨機(jī)學(xué)習(xí)摘要：大數(shù)據(jù)機(jī)器學(xué)習(xí)為大數(shù)據(jù)智能提供核心的理論和技術(shù)支撐，已經(jīng)成為人工智能與大數(shù)據(jù)研究中最熱門的領(lǐng)域之一。目前，以隨機(jī)梯度下降（SGD）為代表的隨機(jī)學(xué)習(xí)已經(jīng)成為大數(shù)據(jù)機(jī)器學(xué)習(xí)的核心技術(shù)之一。本報(bào)告將介紹我們研究組在并行與分布式隨機(jī)學(xué)習(xí)領(lǐng)域最新的研究成果，并將介紹我們組自主研發(fā)并已開源的大數(shù)據(jù)機(jī)器學(xué)習(xí)平臺(tái)LIBBLE ( http:/libble.tk/ )013 .李宇峰副研究員：安全半監(jiān)督學(xué)習(xí)：算法和理論分析初探摘要：對(duì)于數(shù)據(jù)很多，標(biāo)記很少的應(yīng)用情