【专知AI日报0929】一文了解最新AI业界动态

2017 年 9 月 29 日 专知 Quan

【导读】《专知AI日报》，每天精选AI业界发生的最新最具有影响力的动态事件，为你简文速读了解。

1. 【DeepMind发布《星际争霸 II》深度学习环境】上个月，DeepMind和暴雪终于开源了《星际争霸II 》的机器学习平台。论文描述《星际争霸II 》行动和奖励规范，并提供一个开源的Python界面，用于与游戏引擎进行通信。暴雪提供游戏输入输出的API，DeepMind又做了层基于Python的封装。除了主要的游戏地图，他们提供了一套专注于《星际争霸II 》游戏不同元素的迷你游戏。对于主要的游戏地图，还提供了一个伴随专业玩家的游戏重播数据数据集。从该数据训练的神经网络的初始基线结果，预测游戏结果和玩家行为。

来源：雷锋网

2. 【李飞飞：在物体识别之后，计算机视觉还要多久才能理解这个世界？】9 月 26 日，机器人领域的顶级学术会议 IROS 2017 进入第二日。上午，著名华人计算机视觉专家、斯坦福副教授李飞飞，在温哥华会议中心面向全体与会专家学者作了长达一小时的专题报告。2017中，李飞飞介绍了视觉对生物的重要性，以及计算机视觉在物体识别任务中的飞速发展。在下篇中，李飞飞继续与大家讨论了计算机视觉的下一步目标：丰富场景理解，以及计算机视觉与语言结合和任务驱动的计算机视觉的进展和前景。场景理解和与语言结合的计算机视觉进一步搭起了人类和计算机之间沟通的桥梁，任务驱动的计算机视觉也会在机器人领域大放异彩。李飞飞介绍的自己团队的工作也丰富多样、令人振奋。

来源：AI科技评论

3. 【周志华-基于决策树集成方法的自编码器（auto-encoder) eForest】自编码是一项重要的任务，通常由卷积神经网络（CNN）等深度神经网络（DNN）实现。本文中，我们提出了EncoderForest（简写为eForest），这是第一个基于树集成的自编码器。我们提出了一种方法，让森林能够利用树的决策路径所定义的等效类来进行后向重建，并在监督和无监督环境中展示了其使用情况。实验结果表明，与DNN自编码器相比，eForest能够以较快的训练速度获得更低的重建误差，同时模型本身具有可重用性和容损性。

来源：新智元

4. 【微软CEO纳德拉：必应与苹果Siri分道扬镳后，将专注搜索市场】路透社报道，微软CEO萨提亚·纳德拉（Satya Nadella）周三表示，在结束与苹果Siri的合作之后，该公司的搜索引擎必应（Bing）将专注于在PC搜索市场的发展。

来源：雷锋网

5. 【深度好奇在特定领域文本解析上的新工作】Object-oriented Neural Programming (OONP) for Document Understanding. We propose Object-oriented Neural Programming (OONP), a framework for semantically parsing documents in specific domains. Basically, OONP reads a document and parses it into a predesigned object-oriented data structure (referred to as ontology in this paper) that reflects the domain-specific semantics of the document. An OONP parser models semantic parsing as a decision process: a neural net-based Reader sequentially goes through the document, and during the process it builds and updates an intermediate ontology to summarize its partial understanding of the text it covers. OONP supports a rich family of operations (both symbolic and differentiable) for composing the ontology, and a big variety of forms (both symbolic and differentiable) for representing the state and the document. An OONP parser can be trained with supervision of different forms and strength, including supervised learning (SL) , reinforcement learning (RL) and hybrid of the two. Our experiments on both synthetic and real-world document parsing tasks have shown that OONP can learn to handle fairly complicated ontology with training data of modest sizes.