竹间智能 竹间智能

大咖说 | 竹间智能WAIC 2021论坛上的犀利学术之声

竹间智能 | 2021-07-16

1.jpg

 

竹间智能承办的“AI智简|认知智能创科技未来”分论坛,在2021年世界人工智能大会上顺利召开,引起客户、合作伙伴及其他参与者的热烈反响。竹间智能专程从国内外邀请到三位学术界大拿进行主题演讲,以多元化视角展现最前沿的AI科技胜景。

 

复旦大学计算机学院教授黄萱菁围绕“文本情感计算”分享了诸多精辟见解。国外的两位大学者则通过视频亮相,无论是剑桥大学机器学习教授Richard E. Turner探讨的“条件神经过程”(Conditional Neural Processes),还是MIT脑与认知科学教授 Edward Adelson阐述的“触觉认知”,都为观众打开了新兴技术的大门,拓宽了思维的界限。

 

余音绕梁,三日不绝,现将三位教授振聋发聩的观点集合呈现,以飨广大AI从业者及爱好者。如果看得不够过瘾,各位可以点击文末“阅读原文”回顾此次论坛演讲的完整视频。

 

 

情感计算:创新与挑战

嘉宾介绍

黄萱菁

复旦大学计算机学院教授

复旦自然语言处理实验室负责人

2.jpg

演讲概要

 

机器情感计算是机器理解人类情感和生成情感的能力,让计算机获得情感计算能力的研究已引起学术界和企业界的广泛关注。本次演讲中,黄萱菁教授首先介绍了文本情感计算的定义,接着阐释不同的文本情感计算方法,继而讲解可应对该领域重大挑战的多任务学习与迁移学习,最后聚焦鲁棒性及对抗攻击。

 

金句摘录

01

“既然有人类情感,那机器情感计算就是指机器理解人类情感和生成情感的能力。对于赋予计算机情感计算能力的研究,已经引起了学术界和企业界的广泛关注。”

02

“网上的文本含有特别多的情感,目前我们比较关注的是两类:第一类跟电子商务有关,我们有很多的产品相关评论,用户是爱憎分明的,情感计算可以用于电子商务、智能客服等领域;另外一类信息就是公众事件所引发的舆情,对舆情进行情感计算也可以应用于舆情分析等领域。”

03

“对于细粒度的文本情感分类,我们首先需要提取信息,包括方面词、情感词,然后提取它们的关系,把情感词和方面词匹配在一起,然后还要判断情感分类的性能怎么样,目前最领先的方法在一些电子产品领域可以达到将近80%的情感分类性能,在仓管领域可以达到87%。”

04

“用户发表了负面评论,如果只是简单跟他说我们的东西很好,实际上是没有说服力的,我们基于编码器生成自动回复模型,在模型中间增加了知识图谱,之后我们可以对用户的问题进行一些有针对性的应答,能够降低用户不满意程度,对他进行适当的情绪引导。”

05

“文本情感计算不仅仅具有重大的社会经济价值,可以用于电子商务,它也具有很重要的社会效益,我们不仅可以进行舆情分析,也可以像刚才那个例子一样进行抑郁症的引导,所以是非常有潜力的方向,我们也非常高兴地看到竹间智能主打认知智能。”

06

“我们用人工构造的更加困难的样本去测试现有的模型,我们找了目前学术界最强的9个模型,发现在这种新的数据集上,模型的现有性能大幅度下降,说明这个鲁棒性还是目前机器深度学习方法面对的重大挑战,需要有所提升,这也是未来一个重要的发展方向。”

 

数据高效化深度学习的神经过程

Neural Processes for Data-efficient Deep Learning

 

嘉宾介绍

Richard E. Turner

剑桥大学机器学习教授

1.jpg

演讲概要

 

“神经过程”属于机器学习系统大家族,是一种基于神经网络并借鉴随机过程逼近的有效方法,对其的研发探索于近几年兴起并不断深入。它的计算效率极高,仅仅凭借少量的数据,通过深度学习技术,便可让系统获得可靠的训练。Richard E. Turner教授为大家详尽展现了“神经过程”的分支“条件神经过程”的设计原理、应用实例、创新成果及发展方向。

 

金句摘录

01

“我们这项成果和人类大脑的神经网络有着许多相似之处,可以完美地处理许多相对小的信息流。比如说,如果我向大家展示一个物体,大家很快就能够举一反三,在其它场合认出这种物体。这项研究成果刚刚问世不久,目标是形成一套仅靠少量数据点即可完成可靠深度学习的系统,神经信息处理就可以在这里发挥作用。”

02

“神经过程非常适合用于真实数据的传输和模拟

03

“一旦神经过程系统训练完成,系统无需导数进行学习。这一特点使其能够很方便地在智能手机和低配电脑上运行,用户所需适应时间也很短,因为无需进行那些耗电量巨大的导数运算。”

04

“我们这种模型的性能几乎能够胜过任何同类工具,因此对于那些可能导致不确定性的缺失数据以及复杂结构数据,Conv-CNPs(卷积条件神经过程)在这些状况下都会有相当优秀的表现。”

05

“Few-Shot分级最近引起了人们广泛的关注,而神经过程在这方面有着惊为天人的表现。”

06

“与最高端的元学习模型相比,我们称之为Simple CNPs(简单条件神经过程)的算力要比其它模型强出40倍,所以我们模型在数据上完全是领先的。要知道我们对比的都是最顶级的元学习模型,DeepMind以及Google开发的这些模型在我们的成果问世之前都是市面上最好的,因此我们的神经处理在分级领域的应用成效十分显著。”

 

为机器人赋予触觉认知

Giving Robots A Sense of Touch

嘉宾介绍

Edward Adelson

MIT脑与认知科学教授

2.jpg

演讲概要

 

敏锐的触觉传感器能够获得高分辨率的触觉数据,进而赋予机器人诸多新能力:首先,可以判断物体的各种属性,包括硬度、质量、质地、粗糙度等;其次,可以评估状态参数,比如是在滑动还是在摆固定姿势;最后,这能为操纵线缆的灵巧动作提供反馈。Edward Adelson教授以通俗易懂的方式带大家进入“触觉认知”的神奇世界。

 

金句摘录

01

“我们怎么才能让机器人也拥有这种通过自己的手指和触感来与世界互动的技巧和能力呢?首先就必须让机器人拥有和人一样柔软而又敏感的手指。”

02

“触觉信号可以被应用于各个领域,你可以将其用来评测物体的属性,所有你触摸到的物体都可以评测,比如物体的硬度、粗糙度、滑润度和纹理等等。”

03

“通过不断尝试,机器人就会知道如果一个物件有着特定的触感,那么就必须通过特定的转动方式才能让它旋转到应有的位置。”