【报告推荐】模仿学习前沿进展，62页ppt，New Frontiers in Imitation Learning

报告主题： 模仿学习前沿进展

报告摘要： 时空跟踪和传感数据的不断发展，现在使得在广泛的领域中对细粒度的行为进行分析和建模成为可能。例如，现在正在收集每场NBA篮球比赛的跟踪数据，其中包括球员，裁判和以25 Hz跟踪的球，以及带有注释的比赛事件，如传球，射门和犯规。其他设置包括实验动物，公共场所的人员，设置诸如手术室，演员讲话和表演的演员，虚拟环境中的数字化身，自然现象（如空气动力学）以及其他计算系统的行为等专业人员。 在本演讲中，我将描述正在进行的研究，这些研究正在开发结构化模仿学习方法，以开发细粒度行为的预测模型。模仿学习是机器学习的一个分支，它处理模仿模仿的动态行为的学习。结构化模仿学习涉及施加严格的数学领域知识，这些知识可以（有时被证明）可以加速学习，并且还可以带来附带利益（例如Lyapunov稳定性或政策行为的可解释性）。我将提供基本问题设置的高级概述，以及对实验动物，专业运动，语音动画和昂贵的计算神谕进行建模的特定项目。

嘉宾介绍： Yisong Yue，博士，是加州理工学院计算与数学科学系的助理教授。他以前是迪斯尼研究院的研究科学家。在此之前，他是卡耐基梅隆大学机器学习系和iLab的博士后研究员。 Yisong的研究兴趣主要在于统计机器学习的理论和应用。他对开发用于交互式机器学习和结构化机器学习的新颖方法特别感兴趣。过去，他的研究已应用于信息检索，推荐系统，文本分类，从丰富的用户界面中学习，分析隐式人类反馈，临床治疗，辅导系统，数据驱动的动画，行为分析，运动分析，实验设计科学，优化学习，机器人技术政策学习以及自适应计划和分配问题。