报告题目: AV+AI - Challenges and Opportunities

报告摘要:

AV与AI相遇会产生怎样的效果不禁令人期待。人类驾驶汽车与无人驾驶相比,人类司机存在着缺陷,而且目前AV面临着技术、安全问题、市场接受度和法律等问题,此次报告主要从以下方面讲述了AV+AI的挑战与机遇:

  • AV-挑战
  • 当AI遇到AV
  • 将人工智能应用于可靠可靠的AV
  • AV+AI -挑战
  • 结束语

嘉宾介绍

詹景尧是伯克利DeepDrive副主任,在车辆和基础设施安全、高速公路网络运行、车辆自动化、先进驾驶辅助系统、专用短程通信(DSRC)和运输的蜂窝通信以及交通监控与数据融合方面有很深的造诣。

成为VIP会员查看完整内容
AV+AI-机遇与挑战.pdf
0
5

相关内容

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。完全的自动驾驶汽车仍未全面商用化,大多数均为原型机及展示系统,部分可靠技术才下放至商用车型,但有关于自驾车逐渐成为现实,已经引起了很多有关于道德的讨论。

主题: Opportunities and Challenges in Explainable Artificial Intelligence (XAI): A Survey

摘要: 如今,深度神经网络已广泛应用于对医疗至关重要的任务关键型系统,例如医疗保健,自动驾驶汽车和军事领域,这些系统对人类生活产生直接影响。然而,深层神经网络的黑匣子性质挑战了其在使用中的关键任务应用,引发了引起信任不足的道德和司法问题。可解释的人工智能(XAI)是人工智能(AI)的一个领域,它促进了一系列工具,技术和算法的产生,这些工具,技术和算法可以生成对AI决策的高质量,可解释,直观,人类可理解的解释。除了提供有关深度学习当前XAI格局的整体视图之外,本文还提供了开创性工作的数学总结。我们首先提出分类法,然后根据它们的解释范围,算法背后的方法,解释级别或用法对XAI技术进行分类,这有助于建立可信赖,可解释且自解释的深度学习模型。然后,我们描述了XAI研究中使用的主要原理,并介绍了2007年至2020年XAI界标研究的历史时间表。在详细解释了每种算法和方法之后,我们评估了八种XAI算法对图像数据生成的解释图,讨论了其局限性方法,并提供潜在的未来方向来改进XAI评估。

成为VIP会员查看完整内容
0
65

主题: Deep Learning for Community Detection: Progress, Challenges and Opportunities

摘要: 由于社区代表着相似的观点,相似的功能,相似的目的等,因此社区检测对于科学查询和数据分析而言都是重要且极为有用的工具。 但是,随着深度学习技术显示出以令人印象深刻的性能处理高维图形数据的能力日益增强,诸如频谱聚类和统计推断之类的经典社区检测方法正在逐渐被淘汰。 因此,及时对通过深度学习进行社区检测的进展进行调查。 该领域分为该领域的三个广泛的研究流-深度神经网络,深度图嵌入和图神经网络,总结了每个流中各种框架,模型和算法的贡献以及当前尚未解决的挑战和 未来的研究机会尚待探索。

成为VIP会员查看完整内容
0
11

题目: A Survey on Dialog Management: Recent Advances and Challenges

摘要:

对话管理(DM)是面向任务的对话系统的一个重要组成部分。给定对话历史记录,DM预测对话状态并决定对话代理应该采取的下一步操作。近年来,对话策略学习被广泛地定义为一种强化学习(RL)问题,越来越多的研究集中在DM的适用性上。在本文中,综述了DM的三个关键主题的最新进展和挑战:

  • 提高模型可扩展性,方便对话系统在新场景下建模;
  • 处理对话策略学习的数据稀缺性问题;
  • 提高培训效率,实现更好的任务完成绩效。

相信这项调查可以为未来对话管理的研究提供一些启示。

成为VIP会员查看完整内容
0
45

题目主题: Small Data Challenges in Big Data Era: Unsupervised and Semi-Supervised Methods

简介: 在本教程中,我们将回顾在训练深度神经网络中使用有限带注释的数据克服小数据挑战的最新进展。我们将以无监督和半监督的方法来复习文献,包括基本原理,标准,考虑因素和网络设计,并希望对如何有效利用大量未标记的数据促进模型训练和推断提供一些启示。

小数据挑战已经在许多学习问题中出现,因为深度神经网络的成功通常依赖于大量标记数据的可用性,而这些数据收集起来很昂贵。为了解决这些挑战,以无监督和半监督的方式训练带有小数据的复杂模型方面已经做出了很多努力。在本教程中,我们将回顾这两种主要方法的最新进展。各种各样的小型数据模型将被概括为一幅大图,在这里我们将展示它们如何相互作用。具体来说,我们将回顾学习变换等,自我监督和半监督表示形式的标准,这些标准为最近的发展奠定了基础。

作者介绍: Guo-Jun Qi是华为的首席科学家,领导并监督着多个智能云服务领域的国际研发团队,包括智能城市,视觉计算服务,医疗智能服务和互联车辆服务。 他自2014年8月起担任佛罗里达大学计算机科学系的教授,并担任机械感知与学习(MAPLE)实验室的主任。在此之前,他还是研究人员在IBM TJ纽约州约克敦高地的沃森研究中心。他的研究兴趣包括从多模式数据源(例如图像,视频,文本和传感器)中进行机器学习和知识发现,以构建智能,可靠的信息和决策系统。他的研究得到了政府机构和行业合作者(包括NSF,IARPA,微软,IBM和Adobe)的资助和项目的赞助。

Jiebo Luo在柯达研究实验室工作了十五年多之后,于2011年秋天加入罗切斯特大学,在那里他是负责研究和先进开发的高级首席科学家。 他参加过许多技术会议,并担任ACM Multimedia 2010,IEEE CVPR 2012,ACM ICMR 2016和IEEE ICIP 2017的程序联席主席。研究方向为智能系统和技术交易,模式识别,机器视觉和应用,知识和信息系统以及电子成像杂志。 罗博士是SPIE,IAPR,IEEE,ACM和AAAI的会员。

大纲介绍:

  • 回顾:小样本数据
  • 无监督
    • TER
      • 等价图卷积
      • 自编码器转换
    • 生成表示
      • 自编码器介绍
      • 基于GAN的表示
      • 生成模型
    • 自监督方法
  • 半监督
    • 半监督生成模型
      • 半监督自编码器
      • 半监督GAN
      • 半监督Disentangled 表示
    • teacher-student模型
      • 嘈杂teacher
      • teacher集成
      • 对抗teacher
成为VIP会员查看完整内容
0
19

报告题目: 视觉信息处理的闭环

报告摘要:

计算神经科学是使用数学分析和计算机模拟的方法在不同水平上对神经系统进行模拟和研究。而深度学习模拟生物视觉腹侧通路的前馈信息加工,但是不能提取物体的global信息。此报告先讲述了人工神经网络、认知科学、认知神经科学和计算神经科学,最后从各方面讲述了视觉信息处理的闭环以及其可信科学问题。

嘉宾介绍

吴思是北京大学信息科学技术学院长聘教授,研究领域为计算神经科学、类脑计算,以数学模型和计算机仿真来构建神经系统的计算模型,解析神经系统处理信息的一般性原理,并在此基础上发展类脑的人工智能算法。目前开展的课题包括:视觉信息处理的动态交互机制、神经信息表达的正则化网络模型、神经突触短时程可塑性的计算功能、多模态信息处理、神经形态计算的模型等。

成为VIP会员查看完整内容
视觉信息处理的闭环.pdf
0
17

AI的潜在应用与带来的益处已经远远超过其他任何技术,从日常娱乐到提高生产效率,拯救生命,预计AI工具还将对联邦政府产生重大影响,并对联邦系统和结构产生音响。在享受AI好处的同时,也必须准备好应对相关风险。鉴于这项技术有可能在政府范围内转变工作,管理和预算办公室以及科学和技术政策办公司应继续带头努力管理这些风险。Parthership for public Service和IBM政府事务中心希望这份白皮书能在政府内部引发对话。尤其是:如何最好地使人工智能成为机构任务规划的一部分,而不仅仅是松散地与单独项目关联的某项技术而已。

成为VIP会员查看完整内容
0
8

In the last years, Artificial Intelligence (AI) has achieved a notable momentum that may deliver the best of expectations over many application sectors across the field. For this to occur, the entire community stands in front of the barrier of explainability, an inherent problem of AI techniques brought by sub-symbolism (e.g. ensembles or Deep Neural Networks) that were not present in the last hype of AI. Paradigms underlying this problem fall within the so-called eXplainable AI (XAI) field, which is acknowledged as a crucial feature for the practical deployment of AI models. This overview examines the existing literature in the field of XAI, including a prospect toward what is yet to be reached. We summarize previous efforts to define explainability in Machine Learning, establishing a novel definition that covers prior conceptual propositions with a major focus on the audience for which explainability is sought. We then propose and discuss about a taxonomy of recent contributions related to the explainability of different Machine Learning models, including those aimed at Deep Learning methods for which a second taxonomy is built. This literature analysis serves as the background for a series of challenges faced by XAI, such as the crossroads between data fusion and explainability. Our prospects lead toward the concept of Responsible Artificial Intelligence, namely, a methodology for the large-scale implementation of AI methods in real organizations with fairness, model explainability and accountability at its core. Our ultimate goal is to provide newcomers to XAI with a reference material in order to stimulate future research advances, but also to encourage experts and professionals from other disciplines to embrace the benefits of AI in their activity sectors, without any prior bias for its lack of interpretability.

1
42
下载
预览
小贴士
相关VIP内容
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
135+阅读 · 2020年3月8日
IBM《人工智能白皮书》(2019版),12页PDF,IBM编
专知会员服务
8+阅读 · 2019年11月8日
相关资讯
DARPA | 世界上最大的“5G+AI+仿真”探索项目
走向智能论坛
12+阅读 · 2019年7月29日
AI 最大的挑战:也许我们从根上就错了
InfoQ
4+阅读 · 2019年6月14日
2019 GAITC 专题论坛之十二丨智慧交通--智慧城市的核心动脉
中国人工智能学会
5+阅读 · 2019年5月6日
SFFAI13 预告 | 图神经网络最新进展及挑战
人工智能前沿讲习班
9+阅读 · 2018年12月12日
SFFAI13 报名通知 | 图神经网络最新进展及挑战
人工智能前沿讲习班
11+阅读 · 2018年12月10日
深度|拥抱人工智能报告:中国未来就业的挑战与应对
机器人大讲堂
5+阅读 · 2018年9月24日
迁移学习之Domain Adaptation
全球人工智能
11+阅读 · 2018年4月11日
【观点】薛建儒:无人车的场景理解与自主运动
中国自动化学会
5+阅读 · 2018年1月24日
相关论文
Recent Advances and Challenges in Task-oriented Dialog System
Zheng Zhang,Ryuichi Takanobu,Minlie Huang,Xiaoyan Zhu
14+阅读 · 2020年3月19日
Min-Hung Chen,Baopu Li,Yingze Bao,Ghassan AlRegib,Zsolt Kira
5+阅读 · 2020年3月18日
Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI
Alejandro Barredo Arrieta,Natalia Díaz-Rodríguez,Javier Del Ser,Adrien Bennetot,Siham Tabik,Alberto Barbado,Salvador García,Sergio Gil-López,Daniel Molina,Richard Benjamins,Raja Chatila,Francisco Herrera
42+阅读 · 2019年10月22日
Minlie Huang,Xiaoyan Zhu,Jianfeng Gao
7+阅读 · 2019年10月22日
Advances in Natural Language Question Answering: A Review
K. S. D. Ishwari,A. K. R. R. Aneeze,S. Sudheesan,H. J. D. A. Karunaratne,A. Nugaliyadde,Y. Mallawarrachchi
4+阅读 · 2019年4月10日
Discovery and recognition of motion primitives in human activities
Marta Sanzari,Valsamis Ntouskos,Fiora Pirri
4+阅读 · 2019年2月4日
Yongfeng Zhang,Xu Chen
10+阅读 · 2018年5月13日
Farzaneh Mahdisoltani,Guillaume Berger,Waseem Gharbieh,David Fleet,Roland Memisevic
7+阅读 · 2018年4月24日
Heung-Yeung Shum,Xiaodong He,Di Li
6+阅读 · 2018年2月9日
Top