简介: Apple将于今年12月参加第33届神经信息处理系统(NeurIPS)会议和研讨会。Apple团队致力于机器听力,语音识别,自然语言处理,机器翻译,文本到语音和人工智能等方面的最新研究,每天改善数百万客户的生活。

论文介绍:

题目:Adversarial Fisher Vectors for Unsupervised Representation Learning

摘要: 我们通过基于深度能量模型(EBM)的镜头来检验生成对抗网络(GAN),目的是利用从此公式得出的密度模型。与传统的鉴别器在达到收敛时会学习恒定函数的传统观点相反,我们在这里表明它可以为下游任务提供有用的信息,例如用于分类的特征提取。具体而言,在EBM公式中,鉴别器学习表征数据流形的非归一化密度函数(即,负能量项)。我们建议通过从EBM导出相应的Fisher分数和Fisher信息来评估生成器和鉴别器。我们表明,假设所生成的示例构成了对学习密度的估计,则Fisher信息和标准化Fisher向量均易于计算。我们还表明,我们能够得出示例之间以及示例集之间的距离度量。我们进行的实验表明,GAN诱导的Fisher向量在分类和感知相似性任务的无监督特征提取器方面具有竞争性。

题目:Data Parameters: A New Family of Parameters for Learning a Differentiable Curriculum

摘要:最近的工作表明,首先从更简单的实例中学习可以帮助深度神经网络(DNN)更好地推广。但是,知道在训练的不同阶段显示哪些数据是一个具有挑战性的问题。在这项工作中,我们通过引入数据参数来解决此问题。更具体地说,我们为数据集中的每个样本和类配备了一个可学习的参数(数据参数),该参数控制着它们在学习过程中的重要性。在训练期间,在每次迭代中,当我们更新模型参数时,我们也会更新数据参数。这些更新是通过梯度下降完成的,不需要手工制定规则或设计。当应用于CIFAR10,CIFAR100,WebVision和ImageNet数据集上的图像分类任务以及KITTI数据集上的对象检测任务时,通过数据参数学习动态课程将获得一致的收益,而不会增加模型的复杂性或训练时间。当应用于嘈杂的数据集时,所提出的方法可以从干净的图像中学习,并且比最新的方法提高了14%。

题目:Multiple Futures Prediction

摘要:时间预测对于在复杂的动态环境中做出明智而强大的决策至关重要。运动预测需要建模固有的不确定未来,由于多主体交互作用和其他目标的潜在目标,未来往往包含多个潜在结果。为了实现这些目标,我们引入了一个概率框架,该框架可以有效地学习潜在变量,以共同模拟场景中代理的多步未来运动。我们的框架是数据驱动的,无需显式标签即可学习语义上有意义的潜在变量来表示多模式未来。使用基于动态注意力的状态编码器,我们学习编码代理之间的过去以及将来的交互,从而有效地扩展到任意数量的代理。最后,在假设“自我”特工推出的情况下,通过计算其他特工轨迹上的条件概率密度,我们的模型可用于计划。我们通过预测模拟和真实数据的车辆轨迹来演示我们的算法,并在几个车辆轨迹数据集上展示最新的结果。

成为VIP会员查看完整内容
10

相关内容

The Conference and Workshop on Neural Information Processing Systems ( NIPS) is a machine learning and computational neuroscience conference held every December.
【普林斯顿大学-微软】加权元学习,Weighted Meta-Learning
专知会员服务
39+阅读 · 2020年3月25日
八篇NeurIPS 2019【图神经网络(GNN)】相关论文
专知会员服务
43+阅读 · 2020年1月10日
专知会员服务
53+阅读 · 2019年12月22日
【综述】迁移自适应学习十年进展
专知
41+阅读 · 2019年11月26日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
5篇顶会论文带你了解知识图谱最新研究进展
PaperWeekly
14+阅读 · 2019年2月21日
Meta-Learning 元学习:学会快速学习
GAN生成式对抗网络
19+阅读 · 2018年12月8日
资源 | NIPS 2017 Spotlight论文Bayesian GAN的TensorFlow实现
2017上半年无监督特征学习研究成果汇总
北京思腾合力科技有限公司
4+阅读 · 2017年9月15日
Deflecting Adversarial Attacks
Arxiv
8+阅读 · 2020年2月18日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
Conditional BERT Contextual Augmentation
Arxiv
8+阅读 · 2018年12月17日
Arxiv
8+阅读 · 2018年11月27日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
11+阅读 · 2018年5月13日
VIP会员
相关资讯
【综述】迁移自适应学习十年进展
专知
41+阅读 · 2019年11月26日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
5篇顶会论文带你了解知识图谱最新研究进展
PaperWeekly
14+阅读 · 2019年2月21日
Meta-Learning 元学习:学会快速学习
GAN生成式对抗网络
19+阅读 · 2018年12月8日
资源 | NIPS 2017 Spotlight论文Bayesian GAN的TensorFlow实现
2017上半年无监督特征学习研究成果汇总
北京思腾合力科技有限公司
4+阅读 · 2017年9月15日
相关论文
Deflecting Adversarial Attacks
Arxiv
8+阅读 · 2020年2月18日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
Conditional BERT Contextual Augmentation
Arxiv
8+阅读 · 2018年12月17日
Arxiv
8+阅读 · 2018年11月27日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
11+阅读 · 2018年5月13日
微信扫码咨询专知VIP会员