机器学习在解决实际应用问题时需要解决一些重要挑战。首先,由于物理随机性、不完全信息、啋声、歧义、冲突等因素 , 我们要处理的对象普遍存在不确定性。因此, 智能系统需要对不确定性进行有效的建模和推理。其次,在对抗啋声的情况下,很多机器学习算法( 如深度神经网络 )往往比较脆弱,容易被误导, 这给高风险、安全敏感的应用带来了很多潜在威胁。在这个报告中, 我将介绍概率机器学习的一些进展( 特别是珠算概率编程库和 一些可扩展的推理算法 )以及深度神经网络的对抗攻击与防御, 并且介绍一些典型的应用案例,包括半监督学习、小样本学习、众包学习 。 在对抗攻击与防御方面, 我们的部分工作荻得谷歌大脑在 NIPS 2017 组织的国际比赛的所有三个任务的冠军。
深度学习
朱军