我们相信将会对未来的机器学习平台和算法开发产生较大影响。 本文入选NIPS 2017 口头报告(Oral),论文占比为40/3248。 2.线性动态系统上的高效优化及其在聚类和稀疏编码问题上的应用 Efficient Optimization for Linear Dynamical Systems with Applications to Clustering and Sparse Coding 本论文与清华大学和澳大利亚国立...
算法名称:GraphSage(Graph Sample&Aggregate),NIPS 2017 传统的GNN算法在训练节点embedding时需加载所有节点信息,因此是transductive(直推式学习);而本文提出的GraphSage通过采样与聚合中心节点的邻居信息来生成节点embedding,因此是inductive(归纳式学习)。 也许读者会问:何为transductive和inductive?所谓transductive就是直推式...
幻灯片链接:http://s.interpretable.ml/nips_interpretable_ml_2017_Bernhard_Schoelkopf.pdf 视频链接:https://www.youtube.com/watch?v=9C3RvDs_hHw 大型图像数据集中的可解释性发现——Kiri Wagstaff 幻灯片链接:http://s.interpretable.ml/nips_interpretable_ml_2017_kiri_wagstaff.pdf 视频链接:https://www...
雷锋网消息，虽然为期三天的NIPS 2017正会已经结束，但聚集在长滩的机器学习研究者们仍然热情不减。从12月8日起，大会将进入为期两天的Workshop阶段，来自世界各地的机器学习爱好者们将分为53个Workshop进行各自领域最新研究的研讨。本次的NIPS大会新增了五个官方竞赛，大会方也专门设置了一个专门的Competition Workshop...
近日雷锋网发现，布朗大学三年级博士生David Abel将自己在NIPS 2017上旁听的所有演讲及有价值的论文等全部整理成了一份43页的PDF文件，并鼓励大家进行传播分享。尽管David无法参加大会所有议程，但在PDF中我们仍然能看到不少有价值的总结。关于这份PDF中的部分重点内容雷锋网摘录如下：Ali Rahimi“时间检验奖”获奖演讲。
NIPS 2017线上分享：利用价值网络改进神经机器翻译 （以下为夏应策分享的文字整理）神经机器翻译（Neural ...
对抗样本的存在会使得深度学习在安全敏感性领域的应用收到威胁，如何对其进行有效的防御是重要的研究课题。我们提出了动量迭代快速符号化梯度法和高层引导去躁算法，分别应用于对抗样本的攻击和防御，取得了NIPS 2017对抗样本比赛的冠军。1.背景知识篇 什么是对抗样本？如下图所示，通过在自然图片上加入一些人工噪声来“...
NIPS 2017 一、动机 动机一: 大型图中节点的embedding在机器学习中有许多应用(例如,节点分类、聚类、链接预测)。 然而大多数embedding框架本质上是推导式的(transductive),并且只能为单个的固定的图生成embedding表示。 如GCN,利用了图的整个邻接矩阵和图卷积操作融合相邻节点的信息,因此一般用于 Transductive 任务,而不...
到2017年的今天，在机器学习领域我们已经取得了难以想象的进步。我们可以自由地共享代码，使用常见的任务基准，如无人驾驶、自动为照片加标签、语音转文字、翻译等方面的应用，都在表明人工智能时代正在到来，研究机器学习的公司得到了数十亿美元的估值，应该说很多方面比起我们当年那个时候要好得多，但有些地方值得我们...
近期的 NIPS 2017 上，IBM AI 研究院和伊利诺伊大学厄巴纳-香槟分校（UIUC）共同组成的团队也有一篇论文被收录为口头报告论文（录取率仅为1.2%），其中提出了一种新的监督学习算法，用来解决 AI 领域广为人知的场景认知（textual grounding）问题，同时撰写了一篇博文简单介绍了论文成果。雷锋网 AI 科技评论把这篇...