Py学习  »  机器学习算法

如何构建「可信任的深度学习」?美国三院院士UCLA数学泰斗Stanley Osher教授这44页ppt为你讲述

机器学习研究组订阅号 • 4 年前 • 686 次点击  

【导读】 可信任是AI应用落地的关键,在医疗、军事等领域尤为必需。最近,在一场深度学习与医疗应用的研讨会上,UCLA Stanley Osher讲述了可信任深度学习 (Trustworthy deep learning) 的报告,探讨了稳健、准确、高校、隐私的深度学习建模,从理论上如何设计保障,共有44页ppt,值得学习。



基于深度学习的AI在语音、图像、知识图谱等多个领域大放异彩。但是深度学习在医疗、金融、军事等“关键性”领域还处于探索期。医生不能仅根据模型的分类置信度进行诊断,金融机构不能仅凭借模型的输出轻易判断违约风险,军方不能仅依赖自动的图像识别执行打击任务,安全公司也不能仅通过模型检测结果完全自动化威胁响应。能够在关键决策领域落地应用的AI,应该是可信任的AI可信任,一方面AI系统的性能要足够高,即能够弥补人类在数据处理上的低效性;此外,需要AI本身的鲁棒性,能够适应或优化后适应不同的使用环境;AI自身的安全性也是搭载系统是否值得信任的关键;最后,AI系统需要以足够透明、可解释的方式输出其判断和决策。不可信任的AI,不能够胜任任何政治、经济、安全攸关的关键性场景,这将大大降低其可用性和适用性。


https://www.math.ucla.edu/~sjo/,Stanley Osher


全能应用数学之王,流体力学和图像处理一代宗师,2014年韩国首尔国际数学家大会颁发了第三届高斯奖,授予了美国数学家斯坦利·奥舍(Stanley Osher,1942-)


Stanley Osher于1966年在纽约大学获得博士学位,曾在伯克利和纽约石溪任教,现为UCLA教授,美国三院院士。奥舍指导了超过50名博士生,包括著名应用数学家舒其望,他也是担任美国名校系主任(布朗大学)的第一位大陆留学生。


Osher在不同的时代均引领了不同领域应用数学的发展。在数值PDE方向,奥舍提出了ENO格式、WENO格式、Osher格式、Engquist-Osher格式等,以及Hamilton-Jacobi版本的方法,被广泛应用于计算流体力学。在图像处理方向,奥舍开创性地提出了基于PDE的图像处理方法,包括基于总变差的图像处理方法和水平集方法,在图像处理、计算机视觉、反问题、微分几何、晶体生长沉积和蚀刻等有着成功应用。在优化领域,奥舍提出了Bregman迭代法和增广拉格朗日迭代法等,被用于压缩感知、矩阵补全、鲁棒主成分分析等。

报告摘要:

在本工作中,我们讨论了值得信赖的深度学习:

  1. 稳健深度学习,

  2. 准确的深度学习

  3. 高效深度学习

  4. 隐私深度学习,

有理论保证,通常基于借鉴微分方程的思想


地址:

https://www.ipam.ucla.edu/programs/workshops/deep-learning-and-medical-applications/?tab=schedule



讲义内容:



想要了解更多资讯,请扫描下方二维码,关注机器学习研究会

                                          


转自:专知

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/56281
 
686 次点击