కృత్రిమ మేధస్సు, మొబైల్ పరికరాలలో దాని అప్లికేషన్ మరియు కొత్త దశాబ్దంలో అత్యంత ముఖ్యమైన సాంకేతిక మరియు వ్యాపార ధోరణుల గురించి సమావేశానికి మేము మిమ్మల్ని ఆహ్వానిస్తున్నాము. కార్యక్రమంలో ఆసక్తికరమైన నివేదికలు, చర్చలు, పిజ్జా మరియు మంచి మూడ్ ఉన్నాయి.
హాలీవుడ్, వైట్ హౌస్లో సరికొత్త సాంకేతికతలను పరిచయం చేయడంలో స్పీకర్లలో ఒకరు అగ్రగామిగా ఉన్నారు; అతని పుస్తకం "ఆగ్మెంటెడ్: లైఫ్ ఇన్ ది స్మార్ట్ లేన్" తన నూతన సంవత్సర ప్రసంగంలో చైనా అధ్యక్షుడు తనకు ఇష్టమైన రిఫరెన్స్ పుస్తకాలలో ఒకటిగా పేర్కొన్నాడు.
19:05 NeurIPS 2019లో రీన్ఫోర్స్మెంట్ లెర్నింగ్: ఎలా ఉంది - సెర్గీ కొలెస్నికోవ్, టింకాఫ్ప్రతి సంవత్సరం రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ (RL) అంశం మరింత హాట్గా మరియు హైప్గా మారుతోంది. మరియు ప్రతి సంవత్సరం, DeepMind మరియు OpenAI కొత్త మానవాతీత పనితీరు బాట్ను విడుదల చేయడం ద్వారా అగ్నికి ఆజ్యం పోస్తున్నాయి. దీని వెనుక నిజంగా విలువైనదేమైనా ఉందా? మరియు అన్ని RL వైవిధ్యంలో తాజా పోకడలు ఏమిటి? తెలుసుకుందాం!
19:25 NeurIPS 2019లో NLP పని యొక్క సమీక్ష - Mikhail Burtsev, MIPTనేడు, సహజ భాషా ప్రాసెసింగ్ రంగంలో అత్యంత పురోగతి ధోరణులు భాషా నమూనాలు మరియు నాలెడ్జ్ గ్రాఫ్ల ఆధారంగా నిర్మాణాల నిర్మాణంతో ముడిపడి ఉన్నాయి. వివిధ విధులను అమలు చేయడానికి డైలాగ్ సిస్టమ్లను రూపొందించడానికి ఈ పద్ధతులు ఉపయోగించబడే పనుల యొక్క అవలోకనాన్ని నివేదిక అందిస్తుంది. ఉదాహరణకు, సాధారణ అంశాలపై కమ్యూనికేట్ చేయడానికి, సానుభూతిని పెంచుకోండి మరియు లక్ష్య-ఆధారిత సంభాషణను నిర్వహించండి.
19:45 లాస్ ఫంక్షన్ యొక్క ఉపరితల రకాన్ని అర్థం చేసుకునే మార్గాలు - డిమిత్రి వెట్రోవ్, ఫ్యాకల్టీ ఆఫ్ కంప్యూటర్ సైన్స్, నేషనల్ రీసెర్చ్ యూనివర్శిటీ హయ్యర్ స్కూల్ ఆఫ్ ఎకనామిక్స్లోతైన అభ్యాసంలో అసాధారణ ప్రభావాలను అన్వేషించే అనేక పత్రాలను నేను చర్చిస్తాను. ఈ ప్రభావాలు బరువు ప్రదేశంలో నష్టం ఫంక్షన్ యొక్క ఉపరితలం యొక్క రూపాన్ని వెలుగులోకి తెస్తాయి మరియు అనేక పరికల్పనలను ముందుకు తీసుకురావడానికి మాకు అనుమతిస్తాయి. ధృవీకరించబడితే, ఆప్టిమైజేషన్ పద్ధతులలో దశల పరిమాణాన్ని మరింత సమర్థవంతంగా నియంత్రించడం సాధ్యమవుతుంది. ఇది శిక్షణ ముగియడానికి చాలా కాలం ముందు పరీక్ష నమూనాలో లాస్ ఫంక్షన్ యొక్క సాధించగల విలువను అంచనా వేయడం కూడా సాధ్యం చేస్తుంది.
20:05 NeurIPS 2019లో కంప్యూటర్ విజన్పై పనుల సమీక్ష - సెర్గీ ఓవ్చారెంకో, కాన్స్టాంటిన్ లక్మాన్, యాండెక్స్మేము కంప్యూటర్ దృష్టిలో పరిశోధన మరియు పని యొక్క ప్రధాన రంగాలను పరిశీలిస్తాము. అకాడమీ దృక్కోణంలో అన్ని సమస్యలు ఇప్పటికే పరిష్కరించబడ్డాయా, GAN యొక్క విజయ యాత్ర అన్ని ప్రాంతాలలో కొనసాగుతుందా, ఎవరు ప్రతిఘటిస్తున్నారు మరియు పర్యవేక్షణ లేని విప్లవం ఎప్పుడు జరుగుతుందో అర్థం చేసుకోవడానికి ప్రయత్నిద్దాం.
20:25 కాఫీ విరామం
20:40 అపరిమిత తరంతో కూడిన మోడలింగ్ సీక్వెన్సులు - డిమిత్రి ఎమెలియెంకో, యాండెక్స్మేము రూపొందించిన వాక్యంలో ఏకపక్ష ప్రదేశాలలో పదాలను చొప్పించగల నమూనాను ప్రతిపాదిస్తాము. మోడల్ డేటా ఆధారంగా అనుకూలమైన డీకోడింగ్ క్రమాన్ని పరోక్షంగా నేర్చుకుంటుంది. అనేక డేటాసెట్లలో ఉత్తమ నాణ్యత సాధించబడుతుంది: యంత్ర అనువాదం కోసం, LaTeX మరియు చిత్ర వివరణలో ఉపయోగించండి. నివేదిక ఒక కథనానికి అంకితం చేయబడింది, దీనిలో నేర్చుకున్న డీకోడింగ్ క్రమం వాస్తవానికి అర్ధవంతంగా ఉంటుందని మరియు పరిష్కరించబడుతున్న సమస్యకు నిర్దిష్టంగా ఉంటుందని మేము చూపుతాము.
20:55 రివర్స్ KL-డైవర్జెన్స్ ట్రైనింగ్ ఆఫ్ ప్రీయర్ నెట్వర్క్లు: మెరుగైన అనిశ్చితి మరియు వ్యతిరేక దృఢత్వం - ఆండ్రీ మాలినిన్, యాండెక్స్అనిశ్చితి అంచనా కోసం సమిష్టి విధానాలు ఇటీవల మిస్క్లాసిఫికేషన్ డిటెక్షన్, అవుట్-ఆఫ్-డిస్ట్రిబ్యూషన్ ఇన్పుట్ డిటెక్షన్ మరియు విరోధి దాడిని గుర్తించే పనులకు వర్తింపజేయబడ్డాయి. అవుట్పుట్ డిస్ట్రిబ్యూషన్లపై డిరిచ్లెట్ ముందస్తు పంపిణీని పారామీటర్ చేయడం ద్వారా వర్గీకరణ కోసం మోడల్ల సమిష్టిని సమర్ధవంతంగా అనుకరించే విధానంగా పూర్వ నెట్వర్క్లు ప్రతిపాదించబడ్డాయి. డిస్ట్రిబ్యూషన్ వెలుపల ఇన్పుట్ డిటెక్షన్ టాస్క్పై మోంటే-కార్లో డ్రాప్అవుట్ వంటి ప్రత్యామ్నాయ సమిష్టి విధానాలను ఈ మోడల్లు అధిగమిస్తాయని చూపబడింది. అయినప్పటికీ, అనేక తరగతులతో కూడిన సంక్లిష్ట డేటాసెట్లకు ప్రీయర్ నెట్వర్క్లను స్కేలింగ్ చేయడం మొదట ప్రతిపాదించిన శిక్షణా ప్రమాణాలను ఉపయోగించడం కష్టం. ఈ కాగితం రెండు రచనలు చేస్తుంది. ముందుగా, ముందు నెట్వర్క్లకు తగిన శిక్షణా ప్రమాణం డిరిచ్లెట్ పంపిణీల మధ్య రివర్స్ KL-డైవర్జెన్స్ అని మేము చూపిస్తాము. ఇది శిక్షణ డేటా లక్ష్య పంపిణీల స్వభావాన్ని సూచిస్తుంది, ముందస్తు నెట్వర్క్లు ఏకపక్షంగా అనేక తరగతులతో వర్గీకరణ పనులపై విజయవంతంగా శిక్షణ పొందేలా చేస్తుంది, అలాగే పంపిణీ వెలుపల గుర్తింపు పనితీరును మెరుగుపరుస్తుంది. రెండవది, ఈ కొత్త శిక్షణా ప్రమాణాన్ని సద్వినియోగం చేసుకుంటూ, ఈ పేపర్ విరోధి దాడులను గుర్తించడానికి ప్రీయర్ నెట్వర్క్లను ఉపయోగించి పరిశోధిస్తుంది మరియు విరోధి శిక్షణ యొక్క సాధారణ రూపాన్ని ప్రతిపాదిస్తుంది. ప్రతిపాదిత విధానాన్ని ఉపయోగించి CIFAR-10 మరియు CIFAR-100పై శిక్షణ పొందిన ప్రీయర్ నెట్వర్క్లకు వ్యతిరేకంగా అంచనాను ప్రభావితం చేసే మరియు గుర్తించకుండా తప్పించుకునే విజయవంతమైన అడాప్టివ్ వైట్బాక్స్ దాడుల నిర్మాణానికి ప్రామాణిక విరోధిని ఉపయోగించి సమర్థించబడిన నెట్వర్క్ల కంటే ఎక్కువ మొత్తంలో గణన కృషి అవసరమని చూపబడింది. శిక్షణ లేదా MC-డ్రాపౌట్.
21:10 ప్యానెల్ చర్చ: “NeurlPS, ఇది బాగా పెరిగింది: ఎవరు నిందించాలి మరియు ఏమి చేయాలి?” - అలెగ్జాండర్ క్రైనోవ్, యాండెక్స్
“మొదటి నుండి అప్లికేషన్ను తిరిగి వ్రాయడం ఎప్పుడు విలువైనది మరియు దీని వ్యాపారాన్ని ఎలా ఒప్పించాలి” - అలెక్సీ పైజియానోవ్, డెవలపర్, సిబర్మేము సాంకేతిక రుణాన్ని అత్యంత రాడికల్గా ఎలా డీల్ చేసాము అనేదే అసలు కథ. నేను దాని గురించి మీకు చెప్తాను:
మంచి అప్లికేషన్ ఎందుకు భయంకరమైన వారసత్వంగా మారింది.
ప్రతిదాన్ని తిరిగి వ్రాయడానికి మేము ఎలా కష్టమైన నిర్ణయం తీసుకున్నాము.
మేము ఈ ఆలోచనను ఉత్పత్తి యజమానికి ఎలా విక్రయించాము.
చివరికి ఈ ఆలోచన నుండి ఏమి వచ్చింది మరియు మేము తీసుకున్న నిర్ణయానికి ఎందుకు చింతించము.
“Vuejs API మాక్స్” — వ్లాడిస్లావ్ ప్రుసోవ్, ఫ్రంటెండ్ డెవలపర్, AGIMA