AI应用
- 从简单的围棋到复杂环境的王者荣耀
- 视频自动标签：标签多且有歧义
- 食品图像分析：细粒度的识别
- 自动生成游戏解说：cv（目标识别）->NLP（文本）->voice（语音）
计算机视觉的挑战（计算所）
- cv是AI最活跃的领域
- 目前对于深度学习是知其然不知其所以然
- 识别->理解，理解是关键，尤其是跨模态的对齐
- AI的必然：机要懂人；机要懂事；说机器语
NLP语义信息处理前言（哈工大）
- NLP是认知智能的核心
- 过程：形式->语义->推理->语用
- 目前处于语义到推理层面
- 四类问题：匹配、分类、生成、组织
- 对话系统：从软件（机器猫）到平台化（siri、小度等）
- 面临的挑战：1）带标数据少；2）尝试知识不熟；
对机器学习的思考（南大）
- 困难：1）机器学习中有太多超参；2）有很多不可微（无法反向传播）的构件
- 三个方向：
- 1、Deep forest，神经网络的替代品
- 2、弱监督，解决标注少问题
- 3、模型要能适应开放的学习环境。目前大多数是封闭静态的环境（数据分布一致、测试指标固定等等）
深度视觉系统安全性探索（腾讯）——图片的对抗攻击与防守
- 输入差异小（图片加噪）----network----->输出差异巨大（类别分错）
- 目标：抑制输出差异