0
| 本文作者： 夏睿 | 2017-02-09 16:55 | 專題：AAAI 2017 |
雷鋒網-AI科技評論前線報道：美國太平洋時間2月8日早上8：30，在舊金山的AAAI 2017大會進行了最佳論文的頒獎典禮。最佳論文頒發給了斯坦福大學的Russell Steward以及其導師Stefano Drmon撰寫的論文《Label-Free Supervision of Neural Networks with Physics and Domain Knowledge》。該文章從已知的關系（如物理定律）入手，通過輸出必須滿足物理定律的約束來訓練學習。
論文摘要
在許多機器學習應用中，帶標簽的數據數量稀少，而想要獲得更多的標簽需要付出高昂的代價。我們引入了一種新的神經網絡監督學習方法，不同于采用直接給出輸入-輸出對的直接示例的傳統方案。這種方法通過特定的約束條件來指定輸出空間，而這些約束條件來源于先前的特定領域知識，例如已知的物理定律。我們展示了這種方法在現實世界和模擬計算機視覺任務的有效性。利用這種方法，我們可以在訓練樣本沒有帶任何標簽的情況下，成功訓練了一個卷積神經網絡來檢測和跟蹤對象。這一方法還可以顯著減少對標記的訓練數據的需要，并同時帶來了將先驗知識編碼為適當的損失函數的新挑戰。（論文全文參見網址：http://www.aaai.org/Conferences/AAAI/2017/PreliminaryPapers/12-Stewart-14967.pdf。
PPT全文
在頒獎典禮后，Russell Steward進行了關于這篇論文的講解。以下是其講解的PPT全文：
大數據是好東西，但“大標簽”會讓你痛不欲生。那怎么辦呢？我們可以利用約束條件而非標簽。
1.建立從f：X→Y的影射。
2.學習如何跟蹤物體運動軌跡。約束條件是輸出結果（按照物理規則）必須是一個拋物線。
3.預測與標記的對比。
4.計算f（xi）值。
下面舉兩個例子：
例子1：預測未標記的圖片中人的水平位置
例子2：預測圖片是否包含馬里奧和桃子
結論
我們可以使用已知的高等級不變性關系來訓練分類器。所以，相比起打標簽，高等級不變性關系要更直接。
隨著未來更多普遍關系的挖掘，相信未來在這一領域會有著更多的應用出現。
文章由雷鋒網-AI科技評論前線報道，轉載請聯系雷鋒網-AI科技評論。
【兼職召集令！】
如果你對未來充滿憧憬，喜歡探索改變世界的科技進展，look no further！
我們需要這樣的你：
精通英語，對技術與產品感興趣，關注人工智能學術動態的蘿莉&萌妹子&技術宅；
文字不求妙筆生花，但希望通俗易懂；
在這里，你會收獲：
一群來自天南地北、志同道合的小伙伴；
前沿學術科技動態，每天為自己充充電；
更高的生活品質，翻翻文章就能掙到零花錢；
有意向的小伙伴們把個人介紹/簡歷發至 guoyixin@leiphone.com，如有作品，歡迎一并附上。
專題
