线下沙龙 × 报名 | 开学季重磅策划，你不得不来的人工智能专场

会员服务 ·

线下沙龙 × 报名 | 开学季重磅策划，你不得不来的人工智能专场

2019 年 3 月 14 日 PaperWeekly

不知不觉，开学已经三个星期，

经过一个寒假的蛰（tui）伏（fei），

新的学期各位是不是又已经充满干劲，

活力满满了呢！

在这草长莺飞、春暖花开之际，

我们重磅推出新学期第一次博论，也就是

人工智能前沿与应用研讨会

暨清华大学“计算未来”博硕论坛033期

这一次，我们邀请了8位

来自人工智能领域不同方向的嘉宾

涉及

在线教育、自然语言处理、计算机视觉、

智能机器人、硬件加速等诸多方向，

更有来自阿里、有道、Hulu 的重磅业界嘉宾，

部分汇报论文入选

CVPR 2019、AAAI 2019等顶级会议。

还等什么，快来参加吧！

张佶 / 阿里巴巴智能服务事业部高级算法专家

张佶，阿里巴巴智能服务事业部高级算法专家，致力于智能人机交互领域的算法研究和业务场景落地，目前在阿里小蜜团队担任企业小蜜算法平台负责人，推动阿里小蜜在国内和海外业务领域的算法实践，带领团队实现了机器阅读理解、多语言问答等算法技术最早的成功应用。

从学术研究到工业落地—阿里小蜜机器阅读实践之路

本次分享将介绍机器阅读理解这一学术热点技术在阿里小蜜真实的业务和产品中有哪些具体场景，落地过程中有哪些挑战以及如何设计面向工业应用的机器阅读技术平台。

林会杰 / 网易有道技术总监

林会杰，分别于2011年和2016年在清华大学获得计算机学士和博士学位，主要研究兴趣包括情感计算、人机语音交互及移动计算。现任网易有道技术总监，负责有道语言翻译及教育类工具产品和智能硬件产品研发工作。

教育中的AI技术与应用

在本次讲座中，主要介绍有道智慧教育系统的相关进展，包括作业批改、自适应学习、口语评测等应用，并会介绍计算机视觉、语音、自然语言处理等相关技术在教育领域中的应用。

徐潇然 / Hulu研究员

徐潇然，毕业于北京大学智能科学系，2013年赴美国加州大学洛杉矶分校学习人工智能专业，两年博士学习后弃学回国创业，而后在360人工智能研究院做深度学习算法工程师，现在Hulu北京的研究员岗位上从事推荐推理方向的深度学习和强化学习研究，研究点主要关注在具有可解释性的可微推理(Differentiable Reasoning)和随机推理(Stochastic Reasoning)，先后提出了Backprop-Q随机计算图上的通用反向传播计算框架，和基于注意力流(Attention Flow)的可微推理模型。

推理、知识图谱与深度学习

推理、知识图谱诞生于人工智能符号派阵营，深度学习则是神经网络在新时代的高峰。这看似水火不相容的对立，最终能否走向统一，在执彼此之手中开启强AI的序幕？在令众生憧憬的道路上，还有哪些需要逾越的鸿沟？从历史到当下，简单谈一下我们的体会和展望。

王佩琪 / 清华大学计算机系博士生

王佩琪，计算机系14级博士生，主要研究方向为神经网络硬件加速，网络压缩，计算体系结构设计。

SNrram:基于ReRAM的稀疏神经网络加速

在这次报告中，简要介绍一种针对稀疏神经网络的硬件加速架构设计。神经网络算法的迅速发展，对硬件的计算资源和存储资源需求都在不断提高。从体系结构的角度，我们设计了一种专用的加速架构，可有效利用网络的稀疏性来实现硬件加速。

米尔阿迪力江·麦麦提 / 清华大学计算机系博士生

米尔阿迪力江·麦麦提，清华大学计算机系2015级博士研究生，北京新译信息科技有限公司低资源语言机器翻译技术顾问。研究方向包括自然语言处理、机器翻译、跨语言信息检索以及机器学习；相关工作发表在ICIS,ICCSIP,TALLIP等国际会议及期刊上。同时，一直积极参与多项国家自然科学基金项目与国家重点课题。

基于多轮迁移学习的低资源语言神经网络机器翻译方法研究

在这次报告中，首先讲一下神经网络机器翻译研究的目前总况，同时介绍一下低资源语言翻译中的有些挑战；其次，介绍一下低资源机器翻译研究中的已有的工作（好处并短处）；再次，将详细介绍我们本篇论文中提出的方案、跟前人工作的比较以及所取得的成绩；最后跟大家分享一下本领域的发展趋势并尚未得到解决的问题。

周琳钧 / 清华大学计算机系博士生

周琳钧，现为清华大学计算机系媒体所Media and Network Lab三年级博士生，主要研究方向为小样本机器学习及类人视觉推理，指导教师为杨士强教授。

基于视觉推理的小样本图像分类

本次讲座主要给大家介绍小样本机器学习的历史与发展，在此基础上，我们参考人类的视觉推理能力，提出了一个全新的小样本图像分类的算法：Visual Analogy Graph Embedding Regression (VAGER), 实验表明我们提出的算法优于目前最新的算法且具有较强的可解释能力。最后会给大家分享小样本机器学习未来的发展方向。