NIPS 2016:普及机器学习
2016:普及机器学习" title="NIPS 2016:普及机器学习">
左起:微软研究员Robert
Schapire,John Langford,Alekh Agarwal,Siddhartha Sen,Jennifer
Wortman Vaughan。 摄影:John Brecher
当Robert
Schapire在30年前作为研究生开始攻读理论机器学习,该领域是如此模糊,以至于现在已经跻身国际一流研讨会的NIPS,在当时只是一个小规模工作坊,连研究生都长期被排除在外。
今天,虽然机器学习仍然算不上家喻户晓的热门话题,但它已经成为计算机科学最热门的领域之一,把曾经身份模糊的学术聚会,例如正在西班牙巴塞罗那举办的神经信息处理系统年会——NIPS
2016),变成一票难求、数千名来自顶级公司和学术机构的计算机科学家争相出席的行业盛会。
微软纽约研究院首席研究员Schapire表示:“在我的有生之年看到该领域的长足发展,看到许多事情由不可能变为可能,这简直太了不起了。”Schapire的机器学习研究在该领域被广泛采用。
本周一拉开帷幕的NIPS大会之所以备受瞩目,是因为机器学习已迅速成为开发消费者和企业所需、所想、所爱的技术的不可或缺的一个工具。以机器学习为基础的技术可以做:实时语音翻译(如Skype
Translator)、帮助医生读取医疗影像,甚至还能识别人的面部情绪。机器学习还能帮助你把垃圾邮件从收件箱中清除出去并提醒你完成每天的任务。
2016:普及机器学习">
这与Schapire早年求学时代相比大相径庭。Schapire还记得,当时类似让计算机准确读取手写数字的任务已经算是难题。Schapire表示:“从最基本的问题入手,我们一点一点从头创建这个领域
。目前机器学习已经适用于大量问题了。这确实让人惊喜。”
研究人员表示,一路走来,该领域得益于那些梦想能够获得重大突破,从而让现实世界受益的人们,例如:开发像人类一样准确地识别对话中的单词的技术。微软纽约研究院的研究员Alekh
Agarwal表示:“不知道为什么,机器学习领域一直非常幸运,我们拥有杰出的理论学家,他们对事物有非常实际的观点。”
普及机器学习
Schapire、Agarwal
Agarwal、他们在微软纽约研究院的同事们以及世界各地的同行均认为,这只是开始。通过他们在NIPS以及其它场合展示的研究成果,他们正在研究用各种方式让机器学习能够被更多人所用、变得更加平易近人。
微软研究员表示,他们正站在普及机器学习的最前沿,要让没有机器学习背景的开发者和工程师都能更轻松地充分利用这些技术新突破。他们正努力寻求各种方式与大众分享这些系统的好处。
微软纽约研究院首席研究员John
Langford表示:“机器学习历来是这样一个领域:如果你没有博士学位,你可能完全没头绪,然而即使你有了博士学位,你可能仍然毫无头绪。我们正在努力让那些没有太多机器学习专业知识的程序员也能充分利用这些技术。”
2016:普及机器学习">
机器学习之所以有用,一部分原因在于它能帮助人们对几乎任何事进行预测,从为某个任务需要部署多少台服务器到推测人们可能想要阅读哪些新闻报道无所不包。Langford最近的一个项目就是,创建能够通过应用强化学习和结构化学习而系统性消除常见数据错误的系统,进而降低多项预测的难度。
借助强化学习,研究人员希望让系统通过试错来找到完成任务的方法。例如,一个程序可能通过一遍又一遍的自我对弈学到如何在西洋双陆棋中取胜,在许多次对弈过程中分辨出有效和无效的招数。在做这些决策的过程中,该系统几乎不会获得外部指导。相反,它在初始阶段做出的决策会影响它今后如何取得成功。
强化学习对应的是监督学习,监督学习是指系统由于接收更多相关数据而得以将事情做得更好。例如,一个监督学习工具可以通过浏览一个包含大量不同面孔的训练集而学会识别照片中的面孔。
协助决策
在Langford研究的最新的强化学习方案中,该系统还能因选出部分正确的行为而得到加分,这使筛选出正确答案的过程变得更轻松。微软研究人员表示,决策服务是一个激动人心的突破,因为它能够利用上下文信息而帮助系统做出决策。
微软纽约研究院的研究员Siddhartha
Sen表示:“当你做决定时,你通常已经大概知道这有多明智。现在我们有机会利用机器学习来优化这些决策。”
研究人员表示:预览版中提供的基于云的系统之所以是开创性的,部分原因是它能够应用于许多不同的情况。
例如,它可以用于想要个性化内容推荐的新闻通讯社,以及想要个性化健身活动的移动健康应用程序,或者希望优化服务器资源的云提供商。
Sen表示,测试服务的一个关键目标就是让那些可能无法自己创建这类机器学习技能的人们能够轻松方便地使用机器学习技术。
Sen表示:“普及机器学习的方式就是让它可以非常轻松地与系统对接。”Sen将在NIPS大会上主持一个题为机器学习与系统设计交集的工作坊。“我们试着隐藏所有困难的步骤。”
微软多年来一直在为诸如决策服务这样的系统开发构建块。一直致力于该领域的研究、在微软纽约研究院进行博士后研究工作的Sarah
Bird表示,该系统目前的能力甚至在几年前都是无法实现的。
2016:普及机器学习">
Bird现在是微软Azure部门的技术顾问,她表示,这样的系统之所以快速发展,是因为机器学习所需的所有元素——云的计算能力、算法和数据——同时都在迅速发展。
她说:“看到我们所需的所有组件同时迈向成熟确实令人惊喜。无论对于消费者、开发者还是研究者来说,这都是个美好时代。”
快节奏变化
许多研究人员表示,强化学习有很远大的前景,因为它能够用来创建可做出足以增强和辅助人类能力的独立和复杂决策的人工智能系统,以增强和弥补人类自身的能力。
研究人员提醒,他们仍然处于寻找强化学习成功之路的早期阶段,但是他们表示到目前为止看到的状况非常有前景。
微软剑桥研究院研究员Katja Hofmann表示:“关于究竟能达成什么目标的感觉是在不断变化的,这恰是最让我感到激动之处。”
Hofmann领导了Project
Malmo,该项目将利用游戏《我的世界》作为一个强化学习的测试场,其成果也将在NIPS上展示。
最近,Hofmann与同事一起研究让人工智能代理做多项任务而不是一项任务的方式,同时把它们完成一个任务的经验运用于另一项任务。例如,运行在《我的世界》某个空间的人工智能系统可以学会识别熔岩,然后利用这一知识在另一个空间躲避其它熔岩。这一研究的部分成果也在欧洲强化学习研讨会(European
Workshop on Reinforcement Learning)上展示,这一会议与NIPS同在西班牙举行。
机器学习新范式
除了上文提到的这些已有的机器学习范式之外,来自微软亚洲研究院的研究员还积极探索了其他的可能性。例如在Dual Learning
for Machine Translation这篇论文中,研究员提出了一种新的机器学习范式:对偶学习。
对偶学习的基本思想是两个对偶的任务能形成一个闭环反馈系统,使我们得以从未标注的数据上获得反馈信息,进而利用该反馈信息提高对偶任务中的两个机器学习模型。该思想具有普适性,可以扩展到多个相关任务上面,前提是只要它们能形成一个闭环反馈系统。具体内容可见《研究|对偶学习:一种新的机器学习范式》。
了解更多微软出席NIPS的信息, 请复制链接在浏览器中打开(https://www.microsoft.com/en-us/research/event/nips-2016-microsoft-research/)
NIPS 2016:普及机器学习的更多相关文章
- NIPS 2016论文:英特尔中国研究院在神经网络压缩算法上的最新成果
NIPS 2016论文:英特尔中国研究院在神经网络压缩算法上的最新成果 http://www.leiphone.com/news/201609/OzDFhW8CX4YWt369.html 英特尔中国研 ...
- 深度学习的2016: NIPS 2016速览
With best wishes for a happy New Year! NIPS(Nerual Information Processing Systems)是人工智能.机器学习领域的顶级学术会 ...
- (转) Summary of NIPS 2016
转自:http://blog.evjang.com/2017/01/nips2016.html Eric Jang Technology, A.I., Careers ...
- NIPS 2016上22篇论文的实现汇集
http://blog.csdn.net/jiandanjinxin/article/details/54087592 日前,LightOn CEO 兼联合创始人 Igor Carron 在其博客上放 ...
- nips 2016 吴恩达
一年一度的 NIPS 又来了.今年举办地是笔者最爱的欧洲城市巴塞罗那.阳光沙滩配学术,确实很爽.这次的会议的第一天开场的大部分时间安排给了 tutorial.其中人数爆满的依旧是吴恩达(AndrewN ...
- NOIP2015&2016普及组解题报告
NOIP2015普及组题目下载 NOIP2016普及组题目下载 NOIP2015普及组题目: NOIP2018RP++ NOIP2016普及组题目 NOIP2018RP++ T1 金币\((coin. ...
- NOIP【2016普及组】 考后有感(买铅笔,回文日期,海港,魔法阵)
普及组考试已落下大幕,但我们那扑通扑通等待成绩的心仍然无法平静,先来给四道题做一个总结: 一. 买铅笔 自评难度:1星 其实这道题没有什么难度,生命之题,满分必拿,100分,保底啦~\(≧▽≦)/~ ...
- 2016普及组t3海港
好的,说说这道题的思路,爆搜队列嘛: 用一个结构体队列存每个人来的时间和他的国籍,用一个vis数组存每个人来的次数,是第一次来sum便加一. 然后从前面第一个人开始扔(原谅我用这个词,因为我找不到更好 ...
- 入坑机器学习?听听MIT在读博士的AI心得
随着人工智能技术的火热,越来越多的年轻学者正准备投身其中,开启自己的研究之路.和所有其他学科一样,人工智能领域的新人总会遇到各种各样的难题,其中不仅有研究上的,也有生活方面的.MIT EECS 在读博 ...
随机推荐
- ZEOSDBO控件的安装及使用方法
步骤:1:下载最新版的ZEOSDBO,官网:http://sourceforge.net/projects/zeoslib/ 2:解压文件到文件安装目录下:C:\Program Files\Embar ...
- Exynos4412开发板-网络-同一网段
1.1 同一网段在不少实验中,都会需要用到局域网的一些基础知识,在技术支持的过程中,发现不少用户对于这个概念非常模糊,导致 IP 地址或者网络环境稍微有点变化,就无法实现实验.如果没有接触过这个概念, ...
- [LC] 659. Split Array into Consecutive Subsequences
Given an array nums sorted in ascending order, return true if and only if you can split it into 1 or ...
- 引入插件的时候 提示particlesJS is not defined
particlesJS is not defined 插件或者js文件在引入时需要注意引入顺序,每次都找很久的错误 一般引入min.js就可以,min.js意思就是压缩的js文件 引入时应该先加入 ...
- VB.Net 正则表达式测试器
VB.Net制作的正则表达式工具,查询结果可以导出到Excel. 界面截图: 软件下载 Regexp.rar
- vue基本配置和生命周期
Vue的实例是Vue框架的入口,其实也就是前端的ViewModel,它包含了页面中的业务逻辑处理.数据模型等,当然它也有自己的一系列的生命周期的事件钩子,辅助我们进行对整个Vue实例生成.编译.挂着. ...
- Spring Boot集成全局唯一ID生成器
流水号生成器(全局唯一 ID生成器)是服务化系统的基础设施,其在保障系统的正确运行和高可用方面发挥着重要作用.而关于流水号生成算法首屈一指的当属 Snowflake雪花算法,然而 Snowflake本 ...
- 四剑客(find&grep)
一.find 简介: find相关:条件匹配表达式.选项表达式.动作表达式.组合条件表达式 1.1.语法格式 find path -option [ -print ] [ -exe ...
- 面试你能搞懂JVM了吗,快看看这20道JVM面试题
1.内存模型以及分区,需要详细到每个区放什么?2.堆里面的分区:Eden,survival (from+ to),老年代,各自的特点?3.对象创建方法,对象的内存分配,对象的访问定位?4.GC 的两种 ...
- python--mysql的CURD操作
from pymysql import * def main(): # 创建Connextion连接 conn = connect(host='localhost', port=3306, user= ...