스피커 : 일본 카지노 Tianyi
시간 : 11 월 21 일 오후 1시
위치 : 관리 건물 304
질문 : 신뢰할 수있는 멀티 일본 카지노 머신 러닝
초록 : 멀티 모드 인공 지능 기술은 지능형 의료 및 무인 시스템과 같은 중요한 분야에서 널리 사용되고 있습니다. 정확하고 신뢰할 수있는 멀티 일본 카지노 학습 기술을 설계하는 것이 중요한 응용 프로그램을 지원하는 열쇠가되었습니다. 멀티 일본 카지노 데이터는 지능형 시스템 의사 결정을위한 풍부한 정보를 제공하여 멀티 일본 카지노 지능형 시스템이 "양쪽을 듣고"분류 및 예측 정확도를 향상시킬 수 있습니다. 그러나 많은 비용에 민감한 시나리오에서, 멀티 일본 카지노 융합 및 의사 결정의 신뢰성이 종종 더 중요합니다. 멀티 일본 카지노 분류 작업의 경우, 전통적인 방법은 일반적으로 각 일본 카지노의 품질과 작업 상관 관계가 안정적이라고 가정합니다. 그러나 실제로 다른 샘플 또는 다른 시나리오에서는 일본 카지노의 품질과 작업 간의 상관 정도가 종종 역동적입니다. 예를 들어, 멀티 센서 장면에서는 빛이 우수 할 때 RGB 이미지가 더 효과적이며 근적외선 이미지는 시각적으로 어려운 상황에서 더 중요한 정보를 제공 할 수 있습니다. 이 논문은 불확실성을 사용하여 이러한 역동적 인 모델을 모델링하고 증거를위한 개선 된 퓨전 전략을 사용하여 멀티 일본 카지노 정보를 통합합니다. 신뢰할 수있는 멀티 뷰 분류라는 제목의 논문은 ICLR 2021 및 TPAMI에 포함되었습니다. 이를 바탕으로 일본 카지노 질량이 동적으로 변할 때보다 안정적인 분류 결과를 얻을 수있을뿐만 아니라 의사 결정 신뢰를 추정하고 분류 결과 및 분류 신뢰도의 일본 카지노 수준의 추적 성을 수행 할 수 있습니다. 전반적으로 제안 된 방법은 멀티 일본 카지노 협업 학습 (양쪽에 귀를 기울이기 위해)을 사용하여 다양한 양식 (신뢰 및 의미)에 대한 증거를 추정하여 융합 및 의사 결정의 신뢰성과 안정성을 지원합니다.
개인 프로필 : Zhou Tianyi 박사는 싱가포르 Nanyang Technological 일본 카지노를 졸업했습니다. 그는 현재 싱가포르 과학 기술 연구국의 인공 지능 센터에서 주요 과학자 직책이며 인공 지능 팀의 그룹 관리자의 리더로 활동하고 있습니다. Zhou Tianyi 박사는 싱가포르의 여러 주요 연구 개발 프로젝트를 주재했으며 기계 학습, 인공 지능, 정보 보안 등 분야 (Zheng 1, 중국 과학 아카데미) 및 국제 회의 (CCF 클래스 A)의 핵심 저널에 100 개가 넘는 논문을 발표했습니다. 또한 그는 Springer Nature Computer Science, IEEE Transactions와 같은 국제 중요한 SCI 저널의 차장/특별 편집위원회입니다. 그는 여러 국제 최고/중요한 학업 회의 (CCF 클래스 A 회의 IJCAI)의 특별 보고서 조직의 공동 의장이며 국제 주력 회의 Mobimedia 2020의 기술 프로그램위원회 공동 의장입니다. 그는 많은 국제 최고/중요한 학업 컨퍼런스와 IJCAI, ECCV, ACML 등과 같은 특별 보고서 회의에서 최고의 신문상을 수상했습니다. 그는 IJCAI를 포함한 Top International Conferences의 Neurips, ICML, ICLR, AAAI, Area Chair (Area Chair)로 일했습니다.
스피커 : Chen 일본 카지노
위치 : 관리 건물 304
질문 : 그래프 신경망을위한 고성능 알고리즘 및 아키텍처 협업 설계
Abstract : 최근, 그래프 신경망 (GNN)은 딥 러닝을 그래프 구조 데이터의 학습으로 확장했으며 많은 작업에 대한 강력한 그래프 표현 학습 능력을 보여주었습니다. 일반적인 그래프 신경망 모델은 주로 이웃 메시지 전파 메커니즘을 채택하고 이웃 노드의 특성을 집계하여 대상 노드의 특성을 업데이트합니다. 분석을 통해 인근 메시지 전파 메커니즘의 간단한 구현은 많은 양의 중복 컴퓨팅 및 중복 통신 오버 헤드로 이어질 것임을 발견했습니다. 이 보고서는 주로 고성능 그래프 신경망에 대한 연구 작업 중 일부를 소개합니다. 우리는 알고리즘 및 아키텍처의 협업 설계를 사용하여 그래프 신경망을 가속화하기 위해 컴퓨팅 프로세스에서 중복성을 제거합니다. 현재 그래프 신경망 가속기와 비교하여, 우리가 제안한 그래프 신경망 가속기는 네트워크 정확도를 잃지 않고 상당한 가속 비율을 가져오고 에너지 소비를 크게 줄입니다.
13694_13940
