NeurIPS 2018 | 不可錯過的七場重磅演講!你最感興趣的是哪一場?
今年的NeurIPS大會可謂是非常火爆: 參會人數近9000人,且大會門票在11分鐘內被全部搶光 ,這個堪比明星演唱會的搶票速度足以說明今年大會的受關注程度了。這場為期近一週的大會,都有哪些值得關注的亮點呢?下面,我們就來為你梳理一下大會期間的七場重磅演講內容。
1. 技術創新中多樣性和包容性的必要(The Necessity of Diversity and Inclusivity In Tech)
演講人:Laura Gomez女士,Atipica公司創始人兼執行長
圖片來源:LinkedIn
2. 當機器學習遇到公共政策:有何期待及如何應對(Machine LearningMeets Public Policy: What to Expect and How to Cope)
演講人:Edward Felton博士,普林斯頓大學
圖片來源:普林斯頓大學官網
AI和機器學習已經對世界產生了巨大的影響。政策制定者已經注意到了這一點,並制定了相應的法律法規,探討社會應當如何管理這些技術的發展。本演講將概述決策者如何應對新技術和人工智慧及機器學習的發展過程,以及 為什麼建設性地參與政策決策過程將為該領域、政府和社會帶來更好的結果 。
3. 你的身體在想什麼:神經系統外的生物電計算,原始認知和合成形態學(What Bodies Think About: Bioelectric Computation Outside the Nervous System, Primitive Cognition, and Synthetic Morphology)
演講人:Michael Levin博士,塔夫茨大學(Tufts University)
圖片來源:塔夫茨大學官網
大腦的計算能力並非獨一無二。細菌、植物和單細胞生物都表現出了學習能力和可塑性;神經系統加速了資訊處理的優化,這些資訊處理在生命中無處不在,甚至在神經元進化之前就已經存在了。在這次演講中,我將介紹發展生物電學的基礎知識,並展示新的概念和方法的進步如何讓重寫模式記憶成為可能,從而可以在無需基因組編輯的情況下指導形態發生。實際上,這些策略可以對生物電軟體進行重新程式設計,從而實現多細胞模式目標狀態。同時,我將展示 再生醫學和認知神經可塑性的應用例項,並說明合成生物工程、機器人和機器學習的未來影響 。
4. 可複製、可重新使用和可靠的強化學習(Reproducible, Reusable, and Robust Reinforcement Learning)
演講人:Joelle Pineau博士,麥吉爾大學(McGill University)
圖片來源:麥吉爾大學官網
近年來,我們在深度強化學習方面取得了顯著的成績。然而,目前最先進的深度強化學習方法很少有直接的復現結果。 當環境或獎勵具有很強的隨機性時,一些方法的高度差異會使學習過程變得特別困難。 此外,在特定領域或實驗過程中,即使是很小的干擾,也可能導致結果的變動。在這次演講中,我將回顧在深度強化學習領域的實驗技術和報告過程中出現的挑戰。我還將描述一些最近的結果和指導方針,旨在 使未來的結果更具可複製性、可重用性和可靠性 。
5. 探究人類與AI信任現象(Investigations into the Human-AI Trust Phenomenon)
演講人:Ayanna Howard博士,佐治亞理工學院(Georgia Institute of Technology)
圖片來源:佐治亞理工學院官網
隨著智慧系統在日常活動中與人類的互動越來越充分,我們必須更加仔細審視信任的作用。信任傳達了這樣的概念:當與智慧系統互動時,人類往往表現出與其他人類互動時相似的行為,因此可能會誤解遵從機器的決策所帶來的風險。 偏見會進一步影響信任或過度信任的潛在風險 ,因為這些系統通過模仿我們自己的思維過程、繼承我們自己的隱含偏見來學習。在這個演講中,我將通過智慧系統未來將與人們進行互動的不同場景,來討論這一現象。
6. 使演算法值得信賴:統計科學可以為透明度、解釋和驗證做出什麼樣的貢獻?(Making Algorithms Trustworthy: What Can Statistical Science Contribute to Transparency, Explanation and Validation?)
演講人:David Spiegelhalter博士,劍橋大學
圖片來源:The Royal Society
對自動化諮詢系統的透明度、可解釋性和經驗驗證的要求並不新鮮。早在 20 世紀 80 年代,基於規則系統的支持者和基於統計模型的支持者之間就進行了一些討論。一個四階段醫療諮詢系統評估過程建立了起來,並在藥物研發的過程中進行使用。最近,歐盟立法將注意力集中在演算法能否顯示其工作原理上。受Onora O'Neill強調展示可信度以及她“智慧透明”理念的啟發, 我們在理想情況下應該能夠檢查演算法的經驗基礎、其過去的表現、其當前宣告背後的推理(包括臨界點和假設)、以及其當前宣告的不確定性,包括最新案例是否屬於其職權範圍等 。
這些想法將通過Predict 2.1系統來說明,該系統適用於乳腺癌手術後選擇輔助治療的女性,基於競爭風險生存迴歸模型,由專業心理學家與臨床醫生和患者密切合作開發。Predict 2.1對所聲稱的替代治療的潛在益處和危害有四個層次的解釋, 目前在平均一個月約25000個全球範圍內的臨床決策中使用 。
7. 為軟體2.0設計計算機系統(Designing Computer Systems for Software 2.0)
演講人:Kunle Olukotun博士,斯坦福大學
圖片來源:斯坦福大學官網
使用機器學習從資料生成模型正在取代許多應用程式的傳統軟體開發過程。我們開發軟體的方式發生了根本性的變化, 新的方式稱為Software 2.0,它極大地提高了這些應用程式的質量,且簡化了其使用過程 。Software 2.0方法的持續成功和擴充套件必須得到為機器學習應用程式量身定製的強大、高效和靈活的計算機系統的支援。這個演講將描述一種 優化計算機系統的設計方法,以滿足機器學習應用需求 。全棧設計方法集成了針對應用程式特性和現代硬體優勢進行優化的機器學習演算法、為可程式設計性和效能設計的領域特定語言和高階編譯技術,以及同時實現高靈活性和高能效的硬體架構。