【图灵奖得主Yann Lecun最新演讲】基于能量的自监督学习，68页ppt，了解后深度学习发展趋势- 专知

【图灵奖得主Yann Lecun最新演讲】基于能量的自监督学习，68页ppt，了解后深度学习发展趋势

【导读】在最近的物理机器学习交叉论坛上，Facebook人工智能总监、图灵奖得主Yann Lecun给了自监督学习的报告《Energy-Based Self-Supervised Learning 》，68页ppt，介绍了自监督学习的光明前景，基于能量学习的因变量模型，介绍最新自监督学习的进展与问题，是非常值得看的报告。

链接地址：

https://www.ipam.ucla.edu/programs/workshops/workshop-iv-using-physical-insights-for-machine-learning/?tab=schedule

Yann LeCun

在人工智能研究领域，Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio一直被公认为深度学习三巨头，一起获得2018年图灵奖。

Yann LeCun，自称中文名“杨立昆”，计算机科学家，被誉为“卷积网络之父”，为卷积神经网络（CNN，Convolutional Neural Networks）和图像识别领域做出了重要贡献，以手写字体识别、图像压缩和人工智能硬件等主题发表过 190 多份论文，研发了很多关于深度学习的项目，并且拥有14项相关的美国专利。他同Léon Bottou和Patrick Haffner等人一起创建了DjVu图像压缩技术，同Léon Bottou一起开发了一种开源的Lush语言，比Matlab功能还要强大，并且也是一位Lisp高手。（Backpropagation，简称BP）反向传播这种现阶段常用来训练人工神经网络的算法，就是 LeCun 和其老师“神经网络之父”Geoffrey Hinton 等科学家于 20 世纪 80 年代中期提出的，而后 LeCun 在贝尔实验室将 BP 应用于卷积神经网络中，并将其实用化，推广到各种图像相关任务中。

Yann LeCun 也是Facebook人工智能研究院院长，纽约大学的 Silver 教授，隶属于纽约大学数据科学中心、Courant 数学科学研究所、神经科学中心和电气与计算机工程系。加盟Facebook之前，Lecun已在贝尔实验室工作超过20年，期间他开发了一套能够识别手写数字的系统，叫作LeNet，用到了卷积神经网络，已开源。他在 1983 年在巴黎 ESIEE 获得电子工程学位，1987 年在 Université P&M Curie 获得计算机科学博士学位。在完成了多伦多大学的博士后研究之后，他在 1988 年加入了 AT&T 贝尔实验室（AT&T Bell Laboratories /Holmdel, NJ），在 1996 年成为 AT&T Labs-Research 的图像处理研究部门主管。2003 年，他加入纽约大学获得教授任职，并在 NEC 研究所（普林斯顿）呆过短暂一段时间。2012 年他成为纽约大学数据科学中心的创办主任。2013 年末，他成为 Facebook 的人工智能研究中心（FAIR）负责人，并仍保持在 NYU 中兼职教学。从 2015 到 2016 年，Yann LeCun 还是法兰西学院的访问学者。

Energy-Based Self-Supervised Learning 自监督学习

深度学习在计算机感知、自然语言理解和控制方面取得了重大进展。但几乎所有这些成功在很大程度上都依赖于监督学习(这需要机器预测人类提供的注释)，或无模型强化学习(这需要机器学习动作以最大化回报)。监督学习需要大量带标签的样本，使得它只适用于特定的任务。即使是学习简单的任务，强化学习也需要与环境进行大量的交互(以及许多失败)。相比之下，动物和人类似乎只通过观察和偶尔的互动就能学习大量与任务无关的知识，了解世界是如何运转的。学习新任务或技能需要很少的样本或与世界的互动: 我们学习驾驶和驾驶飞机大约30个小时的练习，没有致命的失败。人类和动物是用什么学习范式来高效学习的?我将提出一个假设，即预测世界模型的自我监督学习是当前人工智能研究方法中不可或缺的一个要素。有了这些模型，人们就可以预测结果和计划行动过程。有人可能会说预测是智力的本质。好的预测模型可能是直觉、推理和“常识”的基础，让我们能够填补缺失的信息:从过去和现在预测未来，或从嘈杂的感知推断世界的状态。

报告内容

1. 监督学习work但是需要大量标注数据