靖远| 曲水| 鲁山| 离石| 乌马河| 福鼎| 乾县| 镇宁| 甘谷| 浏阳| 利津| 永春| 清水| 宜州| 江城| 谷城| 安达| 东安| 高密| 镇江| 科尔沁左翼后旗| 莒南| 阿勒泰| 乐业| 东光| 黄山区| 信宜| 虎林| 克拉玛依| 龙湾| 江山| 于田| 衡阳市| 嘉兴| 张湾镇| 琼山| 邵阳县| 凤凰| 巩留| 宜阳| 蓝山| 永城| 哈尔滨| 罗城| 天水| 攸县| 布尔津| 南海镇| 上饶县| 黄陵| 阳曲| 徐闻| 陇南| 文山| 黄陂| 丘北| 乌苏| 天水| 浦东新区| 弥勒| 平邑| 清水河| 仁化| 岱岳| 新会| 静宁| 烈山| 丽水| 金山| 福山| 兴平| 旅顺口| 舞阳| 集安| 庄河| 王益| 灵璧| 融水| 奇台| 临武| 赣县| 北川| 嵊州| 吉首| 焉耆| 韩城| 宁海| 屯留| 广南| 辉县| 鹤峰| 桂东| 武昌| 贡山| 敖汉旗| 梓潼| 商丘| 兴海| 尉犁| 布尔津| 林西| 澜沧| 噶尔| 永福| 乐陵| 叶县| 贵池| 祁连| 肃南| 吴中| 云集镇| 金州| 景洪| 海宁| 郴州| 五台| 米泉| 厦门| 科尔沁右翼中旗| 遵义县| 久治| 交口| 龙川| 灵石| 华坪| 鞍山| 双江| 哈尔滨| 麻山| 镇赉| 红河| 曲周| 含山| 封丘| 古县| 都昌| 永清| 上饶市| 通江| 吴桥| 白城| 开县| 松原| 大余| 大同区| 平凉| 大方| 察布查尔| 玛曲| 绵阳| 丹棱| 莆田| 波密| 根河| 嵩县| 宣威| 汤原| 孙吴| 浑源| 印江| 石柱| 和硕| 武陟| 安新| 福安| 玛纳斯| 独山| 鹤岗| 富川| 盈江| 明光| 富民| 上街| 鲅鱼圈| 雅安| 合水| 酒泉| 类乌齐| 小河| 天池| 临桂| 元谋| 廊坊| 突泉| 额济纳旗| 兴宁| 友谊| 蔡甸| 新洲| 泰和| 炉霍| 秀山| 精河| 札达| 凤翔| 丽江| 泰兴| 榆树| 准格尔旗| 绥中| 潞城| 工布江达| 磐安| 高陵| 绥棱| 定边| 荔波| 绥宁| 夏邑| 永胜| 永和| 宜阳| 铜陵县| 新郑| 喀什| 芜湖县| 嘉鱼| 盈江| 菏泽| 莱山| 丘北| 泰兴| 红星| 镇坪| 南部| 丰镇| 邵武| 东西湖| 文昌| 怀柔| 遂宁| 上高| 襄樊| 新城子| 垣曲| 齐河| 河南| 泌阳| 灵丘| 铁岭县| 门头沟| 枞阳| 潮州| 揭西| 横山| 嵩明| 华池| 中江| 潢川| 长春| 柳州| 宣化区| 双阳| 兴县| 桐柏| 绥江| 莱西| 金川| 资源| 内乡| 左权| 循化| 临泽| 宜春|

27涓浗瀹跺畼鍛樼粍鍥㈡潵涓浗锛屽彇鍒颁簡

2018-06-24 07:11 来源:维基百科

  27涓浗瀹跺畼鍛樼粍鍥㈡潵涓浗锛屽彇鍒颁簡

  四是充分发挥“国家队”和市场优势。青年一代有理想、有本领、有担当,国家就有前途,民族就有希望。

“非常不容易,但这确实是作为后来者的我们必须经历并学习的。在此过程中,标准的制定及统一是行业的关键问题。

  人大提出,将打造学科“珠峰”,建设学科“高峰”“高原”,提升一流学科整体实力,“构建具有中国特色、中国风格、中国气派的哲学社会科学学科体系”。一是围绕国家战略聚焦重点领域。

  坚持用科学、合理的评价标尺发现和衡量人才,真正实现“干什么,评什么”。依托于该所的基础医学(免疫学)入选广东省高水平大学重点学科建设项目。

这“神来之笔”产生了意想不到的效果——一项国际首创技术“超声振动强化搅拌摩擦焊”就此诞生。

  自然科学类人选一次性支持科研经费每人10万元,哲学社会科学类人选一次性支持科研经费每人5万元。

  为了帮助更多村民增加收入,她牵头成立了果木合作社,先后带动了120余名妇女劳动致富。在应对突发传染病方面,中国从被动防御逐步向主动防御转变,为埃博拉、寨卡等防治贡献中国力量。

  “博士要把自己最大的能量发挥出来,要时刻想着能为清远做什么。

  ”全国人大代表、苏州大学校长熊思东说,国际人才市场上更容易找到学校需要的人才。要重点在用好、吸引、培养上下功夫,着眼于突出更高程度的开放和更加公平自由的竞争市场的角度,向改革要活力、向市场要动力,建立开放市场机制,充分发挥市场配置的决定性作用,有效配置创新资源,促进人才、科技、资本的快速结合和高度融合。

  为激发外籍人才参与我国科技创新的积极性、主动性,新政将允许取得永久居留资格的外籍科学家领衔承担中关村示范区内国家科技计划项目,同时支持外籍高层次人才领衔承担北京市科技计划项目,政策实施有利于扩大外籍人才在科研领域发挥作用的空间,提升国内部分领域的科研水平。

  国家发展改革委、国家开发银行联合印发通知,推广安康市金融支持返乡创业经验。

  可推进两种模式,即公租房整租模式和散租模式。一个多月前,这位山东大学材料焊接方向带头人当选美国焊接学会会士,成为中国大陆“第一人”。

   我的异常网

  27涓浗瀹跺畼鍛樼粍鍥㈡潵涓浗锛屽彇鍒颁簡

 
责编:
注册

27涓浗瀹跺畼鍛樼粍鍥㈡潵涓浗锛屽彇鍒颁簡

我的异常网 实施定向评价使用职称管理办法。


来源:雷锋网

原标题:优必选悉尼 AI 研究院 AAAI 2018 顶会论文一览 雷锋网 AI 科技评论按:第 3

原标题:优必选悉尼 AI 研究院 AAAI 2018 顶会论文一览

雷锋网 AI 科技评论按:第 32 届人工智能顶级会议 AAAI 2018 在美国新奥尔良召开。在今年的 AAAI 上,优必选悉尼 AI 研究院共有 5 篇论文入选,其中 3 篇 oral,2 篇 poster。

在 AI 科技评论推出的数据库项目「AI 影响因子」中,优必选悉尼 AI 研究院已经凭借 4 篇 CVPR 录用论文上榜「AI 影响因子论文类目活跃企业」。优必选悉尼 AI 研究院也即将在五月份于 AI 慕课学院上做论文解读的直播分享,敬请期待。

论文摘要如下:

论文 1:Domain Generalization via Conditional Invariant Representation

为了将从源域的数据里学习到的模型泛化到将来的某个目标域,我们的方法希望学习到域不变的特征。以前的域自适应方法都是通过匹配特征的边缘分布 P(X) 来学习域不变特征,但是这种方法假设 P(Y|X) 在不同的域稳定不变,现实情况很难保证。我们提出通过匹配条件概率 P(X|Y) 并同时衡量 P(Y) 的变化来保证不同域之间的联合分布 P(X,Y) 相同。条件域不变特征通过两个损失函数进行学习,一个衡量以类为条件的分布差异,一个衡量以类别归一化的边缘概率分布的差异,从而达到匹配联合分布的效果。如果目标域的 P(Y) 变化不大,那么我们可以保证得到很好的匹配目标域的特征。

论文 2:Adversarial Learning of Portable Student Networks


学习具有较少参数的深度神经网络的方法是迫切需要的,因为重型神经网络的庞大的存储和计算需求在很大程度上阻止了它们在移动设备上的广泛使用。与直接去除权值或卷积核以获得比较大的压缩比和加速比的算法相比,使用教师网络-学生网络学习框架的模式来训练轻型网络是一种更灵活的方法。然而,在实际应用中,我们很难确定利用哪一种度量方式来从教师网络中选择有用的信息。为了克服这一挑战,我们提出利用生成对抗网络来学习轻型的学生神经网络,具体地,生成器网络就是一个具有非常少权值参数的学生神经网络,判别器网络被当作一个助教,用来区分学生神经网络和教师神经网络所生成的特征。通过同时地优化生成器网络和判别器网络,本文生成的学生神经网络可以对输入数据生成具有跟教师神经网络特征具有同样分布的特征。

论文 3: Reinforced Multi-label Image Classification by Exploring Curriculum

人和动物学习经过组织的知识比学习杂乱的知识更为高效。基于课程学习的机制,我们提出了一种强化多标签分类的方法来模拟人类从易到难预测标签的过程。这种方法让一个强化学习的智能体根据图像的特征和已预测的标签有顺序地进行标签预测。进而,它通过寻求一种使累计奖赏达到最大的方法来获得最优策略,从而使得多标签图像分类的准确性最高。我们在 PASCAL VOC2007 和 PASCAL VOC2012 数据集上的实验表明了,在真实的多标签任务中,这种强化多标签图像分类方法的必要性和有效性。

论文 4: Learning with Single-Teacher Multi-Student

本文研究了如何通过一个单一的复杂通用模型来学习一系列的轻量专用模型,即单老师多学生 (Single-Teacher Multi-Student) 问题。以经典的多分类和二分类为例,本文围绕着如何利用一个预训练的多分类模型来衍生出多个二分类模型,其中每个二分类模型对应不同的类别。在实际场景中,许多问题可以被看做这一范畴;例如,基于一个通用的人脸识别系统对于特定的嫌犯进行快速准确地判断。然而,直接使用多分类模型进行二分类操作的推断效率不高,从头训练一个二分类器的分类表现往往不好。本文通过将多分类器看做老师,将目标的二分类器看做学生,提出了一种门化支持向量机 (gated SVM) 模型。此模型中,每一个二分类器可以结合多分类器的推断结果给出自己的预测;此外,每个学生可以获得由老师模型给出的样本复杂度度量,使得训练过程更加自适应化。在实际实验中,所提模型取得了不错的效果。

论文 5: Sequence-to-Sequence Learning via Shared Latent Representation

受人脑可以从不同的模态学习和表达同一抽象概念的启发,本文提出了一个通用的星状框架实现序列到序列的学习。该模型中将不同模态的内容(外围节点)编码到共享隐表征(shared latent representation,SLR),即中央节点中。SLR 的模态不变属性可以被视为中间向量的高级正则化,强制它不仅捕获每个单个模态的隐式表示(如自动编码器),而且还可以像映射模型一样进行转换。因此,我们可以从单个或多个模态学习 SLR,并且生成相同的(例如句子到句子)或不同的(视频到句子)的模态信息。星型结构将输入与输出分离,为各种序列学习应用提供了一个通用且灵活的框架。此外,SLR 模型是内容相关(content-specific)的,这意味着它只需要对数据集进行一次训练,就可以用于不同的任务。

  • 好文
  • 钦佩
  • 喜欢
  • 泪奔
  • 可爱
  • 思考

凤凰网科技官方微信

凤凰新闻 天天有料
分享到:
百度