# MLA2016笔记 ## 开幕式 * ppt会在[网站](http://lamda.nju.edu.cn/conf/mla16/program.htm)上共享 * 每年的会议也会由清华大学出版社整理为《机器学习及其应用》一书 * 公众号：MLA2016 > 以下笔记整理与会议期间，主要关注机器学习应用方向，对于一些比较小众或者高深的topic，由于个人水平有限，会跳过一部分不讲。 ## Presentation（11月5日） ### 分布式学习 * 背景 * 大数据分布式学习介绍 * 大数据自然地分散存储 * 问题 * 数据分为子集，子集运算，output平均 * 分布式结果与单机运算结果理论上是否应该近似？？ * 常用方法 * 最小二乘回归：最小化预测与实际值差异 - 过拟合 - 假设空间 * 假设空间越大学习效果越好 * 具体应用时假设空间会被限制 * 目标函数要学好，需要与kernel空间有联系，具体关系由一个函数描述 * kernel空间 * 假设空间越大，函数光滑性越好 * 回归分布式学习 * 函数复杂度：λ趋向无穷的速度 * 衡量学习算法的好坏 * 单机结果与分布式结果的误差由一个公式描述，这个公式表述了： * 分布式能达到单机效果 * m一般越大越接近单机结果，分的多variance越小，但不能分到底，要有一个限制 * 数学上的问题：最小二乘回归能得出minimize rate吗？用二次分解解决 * 深度学习困境： * 黑箱：强加条件可能有效但不明所以 * 浅层神经网络做不了局部近似，两层可以做到，三层与两层效果往往有很大差别，但不明所以 * 希望从数学上说明更多层数能获得许多不同的结构层次信息 * 内积学的是多个方向上的东西，多层时方向维度信息指数增加 * sgd * 在经典结构上加些几何结构能学到数学上对应的结构 * minor gradient * 深度网络，函数有结构才能学得好 ### ML in NLU，CL，NLP * NLP && DL * 机器翻译，情感分析，自动摘要，问答系统，关系抽取 * 挑战 * 未知现象太多 * 歧义，双关，隐喻 * 跨文化语义 * 方法 * 规则：词法，词性 * 统计：概率，贝叶斯，语言模型，翻译模型，解码器 * 分词-短语-翻译-调序 * 常用方法，开源工具 * example： * 由字构词，识别词的位置做为特征，进一步得到词义 * 词义消岐，词性，位置 * 文本分类，分类器组合 * 深度学习 * RBM无监督做图像，HMM语音识别的突破 * 词向量 * one hot 相乘为0！ * 近似词放在相近的地方 * 词表规模， 词向量维度的确定 * 词向量获取CBOW，etc * 句子语义表达：RNN，attention（在句子中的重要性，可用眼动仪测量） * 翻译：生词 - 概率优化 - 同义词 - 拆词 - 补词 * 《统计自然语言处理》宗成庆 * 深度学习不等于深度理解 * 难以全文分析，就缺乏归纳推理 * 常识学习 * 深度学习泛滥，应该多考虑其他机器学习方法的出路 ### 忆阻 * 硬件模拟大脑计算 * 内存基于电容，易失，忆阻不易失 * BP更新权重需要用外部电路辅助实现 ## Spotlight * hulu：CF-NADE神经网络协同过滤推荐 * CNN可视化，随机权重少量训练，重构图像，验证ML也不一定需要大量训练 \*\* * 估计光泽量，反射量，考量对数变换 * 深度网络缩小文本与图像的语义差异，再映射？？ * 迁移学习：模型的联合概率分布有差异 * 高维非凸最优化 * 函数偏移值强化学习 * 异构人脸识别 * loss function求和优化，共享内存异步优化 * 深度学习+哈希学习 * 蒙特卡罗预测状态 ## Presentation 11-06 ### 迁移学习 kernel embedding of distribution * 分类聚类，增强学习 * wifi室内定位，N个路由器，N维向量， * 连续空间：回归问题 * 设备移动，记录位置和路由器强度 * 回归学习定位系统 * WiFi对温度敏感，所以强度会发生变化，不同目标设备也会影响强度值 * 使用迁移学习，让后来的设备适配先前的设备模型 * 情感分析 * 用户情感词可能很多种，不同产品会有不同类型的情感词 * 添加enable标签 * Bug predict * 机器学习强假设：训练与测试数据需要来源相同，分布相同，特征相同 * 其实我们只需要收集一些enable数据和一点feature数据（半监督） * 添加迁移学习方法预测target * 异构迁移，同构迁移 * 监督迁移，半监督，无监督迁移 * 基于样本迁移学习 * source跟target在数据集上有重叠 * 基于特征迁移学习 * 训练集与测试集只有一部分重叠特征 * 特征映射到一个空间，在这个空间训练集与测试集接近 * 基于参数迁移学习 * 可能迁移目标与源在参数上相近 * 基于关系迁移学习 * source和target在数据之间的关系可能相同 * 通用的基于特征的迁移学习 * source和target结构相似， * 假设它们有潜在的相同因子 * 去掉一些因子，使得数据的分布不变，那这些因子就是它们的共同特征 * 同时还要尽量保持原来的数值 * 最小化source和target分布的差异 * RKHS * 找一个向量代表一组数据 * 增加多维统计信息比如(E\[x] E\[x2] ...) * 无穷维，用核函数形式展示 ### 搜索引擎信息检索 * 略 ### 可视化特征学习与表达 * 特征的寻找，低维表达高维图像数据 - 子空间 * 稀疏特征表达 \*\* * 人脸 - 关键点定位 - 让模拟关键点与实际关键点误差最小，先拟合再回归 * CSR * hypergraph base：feature hyper edge： 轮廓 * 空间大，边不能自适应非均匀自适应分布 ### Bug mining * 自然语言与程序语言存在不同 * 需要根据问题本身进行设计 ### 多任务学习 * school数据集：每个学校单独预测，多个学校同时联合训练 * 弥补训练数据的缺失 * 训练过程中多任务联合，抓住任务间联系，建模，预测 * 重点在任务之间的关联 * 假设所有任务相似 * 假设所有任务参数向量接近，让所有任务共享方差，简单，假设太强 * 特征空间相似 * 共享同一组特征：所有任务都会使用特征中的某一部分，group sparsity l1,q norm 规范化，最小化norm，使得共享稀疏特征 * 共享低维子空间 * rank minimization，增加一个rank项，rank最小化 * 共享结构，聚簇，图，树 * 聚簇：同一个族中的任务距离更相近 * 学习外围任务 * 避免无关因素影响 * 约定 * 每个任务有一个特征矩阵，不同任务样本数量不同，矩阵长度不同，但所有任务的特征相同，矩阵宽度相同 * 每个任务有一个参数向量 * 用以上符号表达几乎所有多任务模型 * 损失：正常的预测与实际值的偏差 * 规范化参数 * 然而上述假设都有点强，需要分开：W = P + Q，任务由相关部分和不相关部分组成 * l2 norm，在Q中让有些列为0，表示有些列是有特异性的 * 任务之间的关系：task-level（这种假设还是比较强） * feature-level：任务在某些特征上是否相关，有何相关 > 协同聚类 * 规范化项 * 仍然W = P + Q模型 * Q描述协同聚类效果 * 模拟任务与特征之间的协同聚类 * Q的一个行是一个特征，Q的一个列是一个任务 * 在Z向量上聚类 * 两个规范化项 * 第二个规范化项是非凸的，需要CoCMTL优化 * 优化 * Low rank MTL * 为求解添加核范数 nuclear norm，做一个松弛 * 矩阵信息主要由奇异值大的特征向量表达，很受核范数影响，产生负面因素 * 在核范数前增加权值，奇异值越大，权重越小，权值自动优化，需要设计优化算法 * 这个权重也是非凸，但物理意义更接近矩阵的秩 * 权值的优化：近似非凸函数，随机权值，逐步调节 * 权值优化收敛性：一定会收敛，收敛速度还可以 * 轨迹回归 * 一个序列，含有多个路段的数据，预测通过路线的时间 * n 个轨迹对，每个路段的行驶距离，需要预计走过每个路段的时间 * 挑战： * 不同时间走过一个路段的耗时是不同的 * 轨迹数据非常稀疏 * 训练样本有限 * 不能单任务 * 将序列按时间划分成多个子集，每个时间段的预测分别为一个任务（比如早高峰一个任务，晚高峰一个任务， 平常时间为一个任务） * 相邻时间代价变化光滑，存在全局光滑性 * 存在局部突出变化 * 分解 * P 模拟全局平滑性质 * Q 抓住局部性质 * P 时间上的平滑性，空间上的平滑性 * Q 异常现象，l inf,1 范数，达到列稀疏效果，描述了某些任务与其他大部分任务之间的区别 * 高峰代价由全路段最大代价决定 * 建模完成 * 优化非平滑，需要近似 * 苏州出租车行驶数据，6W轨迹信息 * Q矩阵每列的最大值画出来，几乎描述了高峰的局部现象 ### 大数据 * 核心：分析处理 * 大数据分析与处理的核心基础，搭建新平台，研发新算法 * 数据预处理，算法工程化 * 处理：计算机为基础 * 分析：数学为基础 * 基于全数据中心估计 * 基于数据分解的分布估计 * ADMM * 理论决定深度结构 * 模型族决定假设空间 * 深度学习解决模型选择与参数选择 * 解反问题的一个新思路：模型求解与范例学习 ### 自适应动态规划 - 学习控制 * 略 ### 人脸识别 * triplet loss不需占用额外显存 * seetaface ## Spotlight * 社交影响驾驶行为 * 车联网 * 司机之间的社交分享提高司机经验 * 启发：在同一个地方都停留超过10分钟，就可能是有社交关系 * 2013纽约出租车行驶数据集 * 从行为模式建模出社交关系 * 用社交关系得到权重作用于行为模式预测 * 行为模式得到轨迹 ## Special Session > 顶会Review(以下环节中paper部分表示很值得关注的paper) * ML * ICML * 神经网络，深度学习，优化，再增强学习，矩阵构造，无监督学习，在线学习，学习理论，应用 * 过去十年最有影响文章：dynamic topic models * rnn,采样，动态组织模型深度强化学习 * NIPS * 论文数取决于场地。。 * learning，model, network，optimization，deep， inference，贝叶斯 * 顶会有tutorial，tensorflow，NVIDIA gpu介绍 * 邀请牛人分享 * workshop：bayesian, application, deep learning, new areas, others * Paper: * Competitive Distribution Estimation: Why is Good-Turing Gooding good * Fast Convergence of Regularized Learning in Games * startup: * ai startup: openai was founded * hot areas: new models: optimization for dl , bayesian, reinference * adaptive data analysis: 实验不可泛化，需要避免 * review: 每篇论文有六个reviewer，review会公开（重要） * COLT * 计算机理论文章进入这个圈子 * 十大机构占半 * 一小群数学家在这里开会 * bandit, 计算机理论，online, 限制学习， 监督学习,pac * 两个invited talk * Paper: * Multi-scale exploration of convex functions and bandit convex optimization * Provably manipulation-resistant reputation systems (协同过滤) * dl：理论： * the power of depth for feedforward neural networks * benefits of depth in neural networks * on the expressive power of deep learning: a tensor analysis * 深层少节点可行，浅层多节点才行 * Paper * Online Learning in Repeated Auctions: 拍卖，true value unknow the true value * Learning Simple Auctions：证明多项式级样本可以达到买卖平衡 * AI * AAAI * tripleAI * topic: machine learning method, ml app, 博弈论, * 计算机视觉，web，nlp, 认知模型 * 启发式，多智能，不确定，规划调度 * 鲁棒AI * paper: * Bidirectional Search That Is Guaranteed to Meet in the Middle * Toward a Taxonomy and Computational Models of Abnormalities in Images * What is hot: meeting and competitions * [IJCAI](http://ijcai-16.org/index.php/welcome/view/accepted_papers) * deep learning渐弱 * 传统领域review比较多，ml review少 * ml, ai arguement 少 * 投稿时解释清楚问题 * co-author list投稿后一般不可变 * 限制author投稿数量 * knowledge graph, knowledge base * paper: * Hierarchical Finite State Controllers for Generalized Planning * Using Task Features for Zero-Shot Knowledge Transfer in Lifelong Learning * DM * [KDD](http://www.kdd.org/kdd2016/program/accepted-papers) * sigkdd * talks多 * classical ml , techniques still , pronounce for solving dm tasks * graph, streawm, heterogeneous * clustering, neural network * paper: * FRAUDAR: Bounding Graph Fraud in the Face of Camouflage * Ranking Causal Anomalies via Temporal and Dynamical Analysis on Vanishing Correlations * TRIEST: Counting Local and Global Triangles in Fully-Dynamic Streams with Fixed Memory Size * Predicting Matchups and Preferences in Context * kdd有点看author * graphs over time:densification laws, shinking dismeters * kdd china: acm 数据挖掘中国分会 * [ICDM](http://www.cs.uvm.edu/~icdm/Awards/BestPapers.shtml) * 数据挖掘blabla * 盲审,关注可重现性 * Paper * Fast Random Walk with Restart and its Applications * Diamond Sampling for Approximate Maximum All-pairs Dot-product (MAD) Search * From Micro to Macro: Uncovering and Predicting Information Cascading Process with Behavioral Dynamics * 新应用，正面的论文title， * 不要早于两周提交， * 多跨界合作 * 神经网络，学习 ⬆️ * Other * ISCA * 处理器架构 * 寒武纪团队 * 深度学习处理器 * AI statistics↑ * ai, ml, statistics * 在美国受认可 * \\<4人审核，逐层审核 * 高斯，图模型，优化，在线学习，聚类，矩阵，推理，贝叶斯，压缩感知，稀疏编码，深度学习 * 半监督，nonlinear embedding and manifold learning , semi-supervised learning ↓ * Paper * Provable Bayesian Inference via Particle Mirror Descent * UAI * AI的不确定性 * 图模型，贝叶斯，因果推断 * Paper * Stability of Causal Inference * Online learning with Erdos-Renyi side-observation graphs * bayesian, reinforce, optimization * 非凸问题，凸近似 * 深度神经网络自由度 * 理论理解，迁移学习中协同矩阵重构 * 因果发现，贝叶斯应用，ml on health * 外国比较火，DL不太火 * ICLR * 小 * emergeing * dl * open review * ACML * 亚太 * 长文16页 * 4-5 review * 两轮投稿 * 会议转期刊 -> MLJ * ML * SIGIR * 信息检索 * ML * search new trend from google * IR * Matching * Translation * classification * structured predicction * Word Embedding, rnn, cnn * ACM multimedia * 多媒体 * 多个投稿方向 * 视觉，多媒体搜索，， * DL on Multimedia，图片检索，视频分析 * 图像视频自动描述 * 多模态社交媒体主体意见挖掘 * CNN分析菜肴 * CVPR * CV * 应用Dl * 3D * 紧密结合工业界 * 主题提取 * 视频问答 * imagenet * ICCV * CV * 提前投 * DL ↑ * Track * ACL * 计算语言学、自然语言处理 * 工业界应用 * 双盲审 * 语义，语法，ML，资源与评估 * ACM SIGGRAPH * 图形学顶会 * 工业界，艺术界 * TOG * Geometry * Animation * Human Model * 3d print, image processing， render↓ * VR, AR, ML * novelty * 视觉效果