随着人工智能技术的突破性进展, 人工智能与可视化的交叉研究成为当前的研究热点之一, 为人工智能和大数据分析领域的若干核心难题提供了启发式的理论、方法和技术. 一方面, 人工智能技术的创新应用提升了可视化的分析效率, 拓展了分析功能, 为大数据可视分析提供了强有力的工具. 另一方面, 可视化技术增强了以深度学习为代表的人工智能的可解释性和交互性, 为可解释人工智能提供了可靠的技术基础. 本文从面向人工智能的可视化技术和人工智能驱动的可视化技术两个方向, 分别介绍了数据质量改善、可解释机器学习、智能特征提取、可视化自动布局与生成、智能交互、智能故事叙述等6个重要问题. 对国内外的研究进展进行了分析, 并对发展趋势进行了展望.

https://www.sciengine.com/publisher/scp/journal/SSI/51/11/10.1360/SSI-2021-0062?slug=fulltext

成为VIP会员查看完整内容
0
33

相关内容

以图形、图标等更直接的方式来展示抽象的数据或信息

摘要: 随着深度神经网络和智能移动设备的快速发展,网络结构轻量化设计逐渐成为前沿且热门的研究方向,而轻量化的本质是在保持深度神经网络精度的前提下优化存储空间和提升运行速度。阐述深度学习的轻量化网络结构设计方法,对比与分析人工设计的轻量化方法、基于神经网络结构搜索的轻量化方法和基于自动模型压缩的轻量化方法的创新点与优劣势,总结与归纳上述3种主流轻量化方法中性能优异的网络结构并分析各自的优势和局限性。在此基础上,指出轻量化网络结构设计所面临的挑战,同时对其应用方向及未来发展趋势进行展望。

http://www.ecice06.com/CN/10.19678/j.issn.1000-3428.0060931

成为VIP会员查看完整内容
0
17

新一轮科技革命和产业变革正在萌发, 以深度学习和大数据为基础, 以AlphaGo等为典型应用场景掀起了人工智能的第3次高潮. 传统的基于统计线性化动态建模的人工智能, 在处理复杂对象时遇到了可解释性、泛化性和可复现性等发展瓶颈, 迫切需要建立基于复杂性与多尺度分析的新一代人工智能理论, 我们称之为精准智能. 针对复杂系统的非线性特征, 精准智能构建内嵌领域知识和数学物理机理的系统学习理论, 包括复杂数据科学感知、复杂系统精准构建、复杂行为智能分析3个层次. 具体而言, 通过复杂数据科学感知建立内嵌时空特征与数理规律等具有可解释性的科学数据系统; 通过复杂系统精准构建反演具有非线性复杂逻辑关系的多层次、多尺度、可解释的人工智能动态学习模型; 通过对系统复杂行为智能分析建立面向系统行为演进和全局动态分析的可解释可调控人工智能新理论和新方法. 将上述精准智能理论应用于群体智能, 提出了群体熵方法, 实现了群体激发和汇聚行为复杂性度量与有效引导调控.

https://www.sciengine.com/publisher/scp/journal/SSI/51/4/10.1360/SSI-2020-0158?slug=fulltext

成为VIP会员查看完整内容
0
20

摘要: 需求获取和建模是指从需求文本或记录中获取显式和隐式的需求,并通过表格化、图形化、形式化等方法构建相应模型的过程,是软件开发过程中极为关键的一步,为后续系统设计与实现铺平道路,提高软件开发效率和质量,提升软件系统稳定性和可行性.研究者们在需求获取与建模方面获得了一系列研究成果,根据其关注阶段不同,可以将它们分为需求知识提取、需求知识分类和需求模型构建3个方面.鉴于传统方法在知识获取、模型构建的准确性和效率方面一直存在弊端,近年来,越来越多的研究者们将具有广泛应用性的人工智能技术与需求获取、需求分类、需求建模方法相结合,提出了一系列智能需求获取与建模的方法和技术,从而弥补了传统方法的不足.着重从智能需求获取与建模角度着手,对近年来的研究进展进行梳理和总结.主要内容包括:1)统计并分析人工智能技术在需求知识提取、需求知识分类和需求模型构建中使用的方法和技术;2)总结了智能需求获取与建模过程中采用的验证方法和评估方法;3)从科学问题和技术难点2个方面归纳得出目前智能需求获取与建模的关键问题,围绕集成式和动态化模型构建、与其他软件工程活动关联、智能需求知识分类的粒度、数据集构建、评估指标构建和工具支持6部分,阐述了上述问题的可能解决思路和未来发展趋势

https://crad.ict.ac.cn/CN/10.7544/issn1000-1239.2021.20200740

成为VIP会员查看完整内容
0
22

人工智能(AI)技术在优化营销领域的决策制定、改善消费者体验、建立和维护客 户关系等方面发挥着越来越重要的作用。尽管该领域的研究已经取得一定的成果,但由于 AI在营销领域的应用历史较短,仍存在研究成果缺乏系统性整合、缺少核心文献、相关概念混 淆、研究热点和发展方向不明确等问题。鉴于此,本文首先从宏观角度运用CiteSpace知识图谱 分析方法分析了该领域的研究热点及其演进;然后从微观角度精选重点文献梳理和界定了 AI的内涵,并进一步在理论、主题和方法论方面进行了文献归纳和评述;最后对未来研究方向 进行了展望。

根据世界知识产权组织(WIPO)发布的《2019年人工智能技术趋势报告》,在和人工智能 (AI)相关的将近34万项发明和超过160万种科学出版物中,一半以上的专利是2013年以后公 开发表的。有关AI的科学研究正处于集中快速推进的时期。与此同时,AI在商业领域的应用也 日益深化。根据德勤2018年发布的《中国人工智能产业白皮书》,近五年来全球AI领域投资快 速增长,全球AI融资总额2017年达到104亿美元,并在2018年持续增加。艾媒咨询2020年的研 究报告显示,2019年中国AI产业融资总额达898亿元人民币。从营销中AI的应用实例来看,在 智能客服方面,Facebook打造的虚拟助手“M”能够帮助用户购物、预订酒店、安排行程等;阿里 巴巴未来酒店实现了由AI智能机器人提供送餐等服务。在消费者洞察方面,Netflix利用AI应用 “Layer 6 AI”,能够更精确地预测用户的兴趣,进行个性化推荐;字节跳动在2016年建立了人工 智能实验室(AI Lab),为平台输出海量内容提供AI技术支持,并应用到抖音等产品中。在广告投放方面,Google的广告工具“Auto Ads”通过机器学习帮助营销人员确定广告的最佳摆放位 置。综上,AI在营销领域各个环节逐步实现了应用的落地,也给该领域的学术研究提供了更多 的可能性。

基于上述研究背景,本文首先运用CiteSpace软件,从宏观角度对Web of Science数据库中 营销领域与AI相关的690篇文献进行计量分析,对照不同时段的研究热点,动态展示了相关研 究的发展历程和演化趋势;然后,从微观角度梳理了AI在市场营销领域的相关概念,包括AI的 概念界定、技术实现以及与其他技术形态的区别;接着,从搜集到的相关文献中精选出62篇密 切契合研究主旨的重点文献,遵循理论—主题—方法论的分析框架进行了归纳和评述;最后, 讨论了未来研究方向。

虽然AI技术本身及其在营销中的应用都在迅猛发展,但营销领域这方面的学术研究并不 是很多,学者们对AI技术的了解往往基于零散的知识以及不同的视角,再加上计算机科学领 域与营销领域之间存在的学科壁垒,使得学术研究和实践的发展之间存在一定的落差。当前, 已有文献试图整合AI在营销领域的相关应用,但通常属于概念性文献或局限于营销细分领 域,如客户服务(Wirtz等,2018;Xiao和Kumar,2019)、技术营销(Kose和Sert,2016;Yadav和 Pavlou,2020)或销售环节(Syam和Sharma,2018;Singh等,2019)。因此,本文的意义在于:第一, 率先以科学计量的方法对营销领域AI现有文献进行分析,梳理了研究脉络,提炼出了前沿方 向和薄弱环节。第二,明晰了营销领域AI研究的概念内涵和理论基础。第三,在主题和方法论 方面丰富了前端研究,为交叉研究提供了有前景的方向引导。

成为VIP会员查看完整内容
0
28

摘要: 当前,以网络数据为代表的跨媒体数据呈现爆炸式增长的趋势,呈现出了跨模态、跨数据源的复杂关联及动态演化特性,跨媒体分析与推理技术针对多模态信息理解、交互、内容管理等需求,通过构建跨模态、跨平台的语义贯通与统一表征机制,进一步实现分析和推理以及对复杂认知目标的不断逼近,建立语义层级的逻辑推理机制,最终实现跨媒体类人智能推理。文中对跨媒体分析推理技术的研究背景和发展历史进行概述,归纳总结视觉-语言关联等任务的关键技术,并对研究应用进行举例。基于已有结论,分析目前跨媒体分析领域所面临的关键问题,最后探讨未来的发展趋势。

http://www.jsjkx.com/CN/10.11896/jsjkx.210200086

成为VIP会员查看完整内容
0
36

我们生活在一个由大量不同模态内容构建而成的多媒体世界中,不同模态信息之间具有高度的相关性和互补性,多模态表征学习的主要目的就是挖掘出不同模态之间的共性和特性,产生出可以表示多模态信息的隐含向量.该文章主要介绍了目前应用较广的视觉语言表征的相应研究工作,包括传统的基于相似性模型的研究方法和目前主流的基于语言模型的预训练的方法.目前比较好的思路和解决方案是将视觉特征语义化然后与文本特征通过一个强大的特征抽取器产生出表征,其中Transformer[1]作为主要的特征抽取器被应用表征学习的各类任务中.文章分别从研究背景、不同研究方法的划分、测评方法、未来发展趋势等几个不同角度进行阐述.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6125&flag=1

成为VIP会员查看完整内容
0
91

在大数据时代下,深度学习、强化学习以及分布式学习等理论和技术取得的突破性进展,为机器学习提供了数据和算法层面的强有力支撑,同时促进了机器学习的规模化和产业化发展.然而,尽管机器学习模型在现实应用中有着出色的表现,但其本身仍然面临着诸多的安全威胁.机器学习在数据层、模型层以及应用层面临的安全和隐私威胁呈现出多样性、隐蔽性和动态演化的特点.机器学习的安全和隐私问题吸引了学术界和工业界的广泛关注,一大批学者分别从攻击和防御的角度对模型的安全和隐私问题进行了深入的研究,并且提出了一系列的攻防方法. 在本综述中,我们回顾了机器学习的安全和隐私问题,并对现有的研究工作进行了系统的总结和科学的归纳,同时明确了当前研究的优势和不足. 最后,我们探讨了机器学习模型安全与隐私保护研究当前所面临的挑战以及未来潜在的研究方向,旨在为后续学者进一步推动机器学习模型安全与隐私保护研究的发展和应用提供指导.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6131&flag=1

成为VIP会员查看完整内容
1
52

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200870

人工智能是研究、开发能够模拟、延伸和拓展人的智能的理论、方法、技术及应用系统的一门新的技术科学[1]. 人工智能的目标是让机器能够像人一样理解、思考和学习, 即用计算机或其他智能体去模拟人的智慧. 随着大数据智能、互联网群体智能和跨媒体智能的高速发展, 以及人工智能2.0等国家战略的提出, 人工智能学科正日益成为国家自然科学基金委的重点资助学科领域.

国家自然科学基金委在2018年调整了学科代码, 并单独设置了人工智能一级学科代码(F06), 主要资助信息科学中人工智能领域的基础研究、前瞻性探索研究以及面向国民经济和国家安全的应用基础研究. 强调围绕人工智能领域的核心科学问题与关键技术, 进行原创性、基础性、前瞻性和交叉性研究, 鼓励在人工智能基础、机器学习、机器感知与模式识别、自然语言处理、知识表示与处理、智能系统与应用、认知与神经科学启发的人工智能等方向展开理论与方法的研究[1]. 在此之前, 为了贯彻国家科技战略规划布局, 推动我国人工智能基础研究, 引领人工智能技术发展, 培养人工智能创新研究队伍, 国家自然科学基金委员会于2017年初启动人工智能基础应急管理项目, 主要面向人工智能前沿基础、智能自主运动体、复杂过程智能优化决策三大方向, 每个方向涵盖若干主题, 支持科学家开展相关研究. F06代码的设立, 极大地提升了科研人员从事人工智能基础研究的热情, 对于信息科学部的学科深度和广度延展具有重大意义.

2020年借助国家自然科学基金深化改革的契机, 信息科学部对F06代码进行了梳理, 原三级代码下沉为研究方向. 同时, 面向学科规划和交叉领域发展, F06增设了“复杂性科学与人工智能理论”、“模式识别与数据挖掘”以及“交叉学科中的人工智能问题”三个新二级代码. 本文针对人工智能学科2018−2020年度申请/资助情况, 以及科学部近年来在人工智能领域的相关推动和扶持, 并以2020年度新版学科代码的设立为背景, 对人工智能的学科发展提出了若干展望.

成为VIP会员查看完整内容
0
35

摘要: 在自然语言处理领域,信息抽取一直以来受到人们的关注.信息抽取主要包括3项子任务:实体抽取、关系抽取和事件抽取,而关系抽取是信息抽取领域的核心任务和重要环节.实体关系抽取的主要目标是从自然语言文本中识别并判定实体对之间存在的特定关系,这为智能检索、语义分析等提供了基础支持,有助于提高搜索效率,促进知识库的自动构建.综合阐述了实体关系抽取的发展历史,介绍了常用的中文和英文关系抽取工具和评价体系.主要从4个方面展开介绍了实体关系抽取方法,包括:早期的传统关系抽取方法、基于传统机器学习、基于深度学习和基于开放领域的关系抽取方法,总结了在不同历史阶段的主流研究方法以及相应的代表性成果,并对各种实体关系抽取技术进行对比分析.最后,对实体关系抽取的未来重点研究内容和发展趋势进行了总结和展望.

http://crad.ict.ac.cn/CN/10.7544/issn1000-1239.2020.20190358#1

成为VIP会员查看完整内容
0
112

人机对话系统能够让机器通过人类语言与人进行交互,是人工智能领域的一项重要工作。因其在虚拟助手和社交聊天机器人等领域的商业价值而广受工业界和学术界的关注。近年来,互联网社交数据快速增长促进了数据驱动的开放领域对话系统研究,尤其是将深度学习技术应用到其中取得了突破性进展。基于深度学习的开放领域对话系统使用海量社交对话数据,通过检索或者生成的方法建立对话模型学习对话模式。将深度学习融入检索式系统中研究提高对话匹配模型的效果,将深度学习融入生成式系统中构建更高质量的生成模型,成为了基于深度学习的开放领域对话系统的主要任务。本文对近几年基于深度学习的开放领域对话系统研究进展进行综述,梳理、比较和分析主要方法,整理其中的关键问题和已有解决方案,总结评测指标,展望未来研究趋势。

成为VIP会员查看完整内容
0
54
小贴士
相关VIP内容
专知会员服务
17+阅读 · 10月4日
专知会员服务
20+阅读 · 4月13日
专知会员服务
22+阅读 · 4月3日
专知会员服务
28+阅读 · 3月14日
专知会员服务
36+阅读 · 3月11日
专知会员服务
91+阅读 · 2020年12月3日
专知会员服务
52+阅读 · 2020年11月12日
专知会员服务
112+阅读 · 2020年7月19日
[综述]基于深度学习的开放领域对话系统研究综述
专知会员服务
54+阅读 · 2019年10月12日
相关资讯
自动化学科面临的挑战
专知
3+阅读 · 2020年12月19日
小目标检测技术研究综述
专知
4+阅读 · 2020年12月7日
多模态视觉语言表征学习研究综述
专知
11+阅读 · 2020年12月3日
实体关系抽取方法研究综述
专知
6+阅读 · 2020年7月19日
人工智能商业化研究报告(2019)
腾讯大讲堂
12+阅读 · 2019年7月9日
AI综述专栏|多模态学习研究进展综述
人工智能前沿讲习班
55+阅读 · 2018年7月13日
AI综述专栏|神经科学启发的人工智能
人工智能前沿讲习班
5+阅读 · 2018年7月11日
贝叶斯机器学习前沿进展
机器学习研究会
16+阅读 · 2018年1月21日
红外弱小目标处理研究获进展
中科院之声
10+阅读 · 2017年11月19日
相关论文
Pedro Hack,Daniel A. Braun,Sebastian Gottwald
0+阅读 · 11月24日
Di Wang,Lantian Li,Hongzhi Yu,Dong Wang
0+阅读 · 11月24日
Baoyu Jing,Hanghang Tong,Yada Zhu
12+阅读 · 2月28日
Debjit Paul,Anette Frank
4+阅读 · 2020年10月12日
Xiao Zhang,Dejing Dou,Ji Wu
13+阅读 · 2020年3月12日
Remedying BiLSTM-CNN Deficiency in Modeling Cross-Context for NER
Peng-Hsuan Li,Tsu-Jui Fu,Wei-Yun Ma
3+阅读 · 2019年8月29日
Parsimonious Bayesian deep networks
Mingyuan Zhou
3+阅读 · 2018年10月17日
Joaquin Vanschoren
116+阅读 · 2018年10月8日
Ming Jin,Andreas Damianou,Pieter Abbeel,Costas Spanos
3+阅读 · 2017年5月4日
Top